論文の概要: ChatGPT versus Traditional Question Answering for Knowledge Graphs: Current Status and Future Directions Towards Knowledge Graph Chatbots

• arxiv url: http://arxiv.org/abs/2302.06466v1
• Date: Wed, 8 Feb 2023 13:03:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 14:21:14.301867
• Title: ChatGPT versus Traditional Question Answering for Knowledge Graphs: Current Status and Future Directions Towards Knowledge Graph Chatbots
• Title（参考訳）: 知識グラフに対する従来の質問応答とチャットGPT:知識グラフチャットボットの現状と今後の方向性
• Authors: Reham Omar, Omij Mangukiya, Panos Kalnis and Essam Mansour
• Abstract要約: 知識グラフ(KG)のための会話型AIと質問応答システム(QAS)はどちらも新興研究分野である。 QASは、自然言語質問を理解して翻訳することで、KGから最新の情報を検索し、データベースエンジンがサポートする形式的なクエリに変換する。 本フレームワークでは,現在最先端のQASであるKGQANに対して,ChatGPTとGalacticaの2つの代表的な対話モデルを比較した。
• 参考スコア（独自算出の注目度）: 7.2676028986202
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Conversational AI and Question-Answering systems (QASs) for knowledge graphs (KGs) are both emerging research areas: they empower users with natural language interfaces for extracting information easily and effectively. Conversational AI simulates conversations with humans; however, it is limited by the data captured in the training datasets. In contrast, QASs retrieve the most recent information from a KG by understanding and translating the natural language question into a formal query supported by the database engine. In this paper, we present a comprehensive study of the characteristics of the existing alternatives towards combining both worlds into novel KG chatbots. Our framework compares two representative conversational models, ChatGPT and Galactica, against KGQAN, the current state-of-the-art QAS. We conduct a thorough evaluation using four real KGs across various application domains to identify the current limitations of each category of systems. Based on our findings, we propose open research opportunities to empower QASs with chatbot capabilities for KGs. All benchmarks and all raw results are available1 for further analysis.
• Abstract（参考訳）: 知識グラフ(KG)のための会話型AIと質問応答システム(QAS)は、どちらも新興の研究分野である。 会話AIは人間との会話をシミュレートするが、トレーニングデータセットでキャプチャされたデータによって制限される。 対照的に、QASは、自然言語質問を理解して翻訳することで、KGから最新の情報を検索し、データベースエンジンがサポートする形式的なクエリに変換する。 本稿では,両世界を新しいKGチャットボットに統合する上で,既存の選択肢の特徴を包括的に研究する。 本フレームワークは,現在最先端のQASであるKGQANに対して,ChatGPTとGalacticaの2つの代表的な対話モデルを比較する。 我々は、様々なアプリケーション領域にまたがる4つの実KGを用いて、システムの各カテゴリの現在の限界を特定する。 本研究は,kgsのためのチャットボット機能を備えたqassを支援できるオープンリサーチの機会を提案する。 ベンチマークと生の結果はすべて、さらなる分析のために1で利用可能である。

関連論文リスト

• ConvKGYarn: Spinning Configurable and Scalable Conversational Knowledge Graph QA datasets with Large Language Models [47.27645876623092]
  本稿では、最新のKGQAデータセットを生成するスケーラブルな方法であるConvKGYarnを提案する。 同じKGファクトセットに異なる構成を持つ会話型KGQA集合のモデル挙動を探索する。
  論文  参考訳（メタデータ） (2024-08-12T06:48:43Z)
• Deep Bidirectional Language-Knowledge Graph Pretraining [159.9645181522436]
  DRAGONは、テキストとKGを大規模に融合した言語知識基盤モデルを事前学習するための自己教師型アプローチである。 我々のモデルは、入力としてテキストセグメントと関連するKGサブグラフのペアを取り、両モードから情報を双方向に融合する。
  論文  参考訳（メタデータ） (2022-10-17T18:02:52Z)
• Contrastive Representation Learning for Conversational Question Answering over Knowledge Graphs [9.979689965471428]
  本稿では,知識グラフ(KG)に対する会話型質問応答(ConvQA)の課題について述べる。 既存のConvQA法の大部分は、KGからの回答を抽出するために、ゴールド論理形式のクエリが利用できることを厳格に仮定した完全な監視信号に依存している。 そこで本稿では,KG経路を効果的にランク付けするコントラスト表現型学習手法を提案する。
  論文  参考訳（メタデータ） (2022-10-09T23:11:58Z)
• BERT-CoQAC: BERT-based Conversational Question Answering in Context [10.811729691130349]
  履歴変換をシステム内に組み込むためのBERTという,パブリックに利用可能なプリトレーニング言語モデルに基づくフレームワークを紹介する。 実験の結果,我々のフレームワークはQuACリーダボードの最先端モデルと同等の性能を示した。
  論文  参考訳（メタデータ） (2021-04-23T03:05:17Z)
• Identify, Align, and Integrate: Matching Knowledge Graphs to Commonsense Reasoning Tasks [81.03233931066009]
  与えられたタスクの目的に整合した知識グラフ(KG)を選択することは重要である。 候補者KGがタスクの推論のギャップを正しく識別し、正確に埋めることができるかを評価するアプローチを示す。 このkg-to-taskマッチングを,知識-タスク識別,知識-タスクアライメント,知識-タスク統合という3つのフェーズで示す。
  論文  参考訳（メタデータ） (2021-04-20T18:23:45Z)
• QA-GNN: Reasoning with Language Models and Knowledge Graphs for Question Answering [122.84513233992422]
  学習済み言語モデル(LM)と知識グラフ(KG)の知識を用いて質問に答える問題に対処する新しいモデルであるQA-GNNを提案する。 既存のLMとLM+KGモデルに対する改善と、解釈可能で構造化された推論を行う能力を示しています。
  論文  参考訳（メタデータ） (2021-04-13T17:32:51Z)
• Towards Data Distillation for End-to-end Spoken Conversational Question Answering [65.124088336738]
  音声対話型質問応答タスク(SCQA)を提案する。 SCQAは,音声発話とテキストコーパスから複雑な対話の流れをモデル化することを目的としている。 我々の主な目的は、音声とテキストの両方で会話的な質問に対処するQAシステムを構築することである。
  論文  参考訳（メタデータ） (2020-10-18T05:53:39Z)
• A Survey on Complex Question Answering over Knowledge Base: Recent Advances and Challenges [71.4531144086568]
  知識ベース(KB)に対する質問回答(QA)は、自然言語の質問に自動的に答えることを目的としている。 研究者は、よりKBのトリプルと制約推論を必要とする単純な質問から複雑な質問へと注意を移した。
  論文  参考訳（メタデータ） (2020-07-26T07:13:32Z)
• Knowledge Graphs and Knowledge Networks: The Story in Brief [0.1933681537640272]
  知識グラフ(KG)は、実世界のノイズの多い生情報を構造化形式で表現し、エンティティ間の関係をキャプチャする。 ソーシャルネットワーク、レコメンダシステム、計算生物学、関係知識表現といった動的現実世界の応用は、困難な研究課題として浮上している。 この記事では、AIのためのKGの旅を要約する。
  論文  参考訳（メタデータ） (2020-03-07T18:09:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。