Fugu-MT 論文翻訳(概要): Extreme Classification for Answer Type Prediction in Question Answering

論文の概要: Extreme Classification for Answer Type Prediction in Question Answering

arxiv url: http://arxiv.org/abs/2304.12395v1
Date: Mon, 24 Apr 2023 19:08:51 GMT
ステータス: 処理完了
システム内更新日: 2023-04-26 22:53:35.334270
Title: Extreme Classification for Answer Type Prediction in Question Answering
Title（参考訳）: 質問応答における回答型予測の極端分類
Authors: Vinay Setty
Abstract要約: KG 型をクラスタリングする Transformer Model (XBERT) を用いた極端なマルチラベル分類を提案する。これらの特徴により,SMARTタスクのエンドツーエンド性能が向上し,最先端の処理結果が得られることを示す。
参考スコア（独自算出の注目度）: 3.058542486118885
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Semantic answer type prediction (SMART) is known to be a useful step towards effective question answering (QA) systems. The SMART task involves predicting the top-$k$ knowledge graph (KG) types for a given natural language question. This is challenging due to the large number of types in KGs. In this paper, we propose use of extreme multi-label classification using Transformer models (XBERT) by clustering KG types using structural and semantic features based on question text. We specifically improve the clustering stage of the XBERT pipeline using textual and structural features derived from KGs. We show that these features can improve end-to-end performance for the SMART task, and yield state-of-the-art results.
Abstract（参考訳）: 意味的回答型予測(SMART)は、効果的な質問応答(QA)システムへの有用なステップとして知られている。 SMARTタスクは、与えられた自然言語の質問に対して、上位$kの知識グラフ(KG)型を予測する。これは、KGの多数の型のため、難しい。本稿では,質問文に基づく構造的特徴と意味的特徴を用いたKG型のクラスタリングにより,トランスフォーマーモデル(XBERT)を用いた極端なマルチラベル分類を提案する。 KGsから得られたテキストおよび構造的特徴を用いて,XBERTパイプラインのクラスタリングステージを具体的に改善する。これらの特徴により,SMARTタスクのエンドツーエンド性能が向上し,最先端の結果が得られることを示す。

関連論文リスト

Multi-hop Question Answering over Knowledge Graphs using Large Language Models [1.8130068086063336]
複数のホップを含む知識グラフに答える能力(LLM)を評価する。我々は、KGのサイズや性質によって、関連する情報をLLMに抽出し、供給するために異なるアプローチが必要であることを示す。
論文参考訳（メタデータ） (2024-04-30T03:31:03Z)
ReasoningLM: Enabling Structural Subgraph Reasoning in Pre-trained Language Models for Question Answering over Knowledge Graph [142.42275983201978]
本稿では,構造化推論を行うためのGNNを模倣するサブグラフ認識型自己認識機構を提案する。また、モデルパラメータを2万のサブグラフで合成した質問に適応するための適応チューニング戦略も採用する。実験により、ReasoningLMは、更新されたパラメータが少なく、トレーニングデータが少ない場合でも、最先端のモデルを大きなマージンで上回っていることが示された。
論文参考訳（メタデータ） (2023-12-30T07:18:54Z)
Schema First! Learn Versatile Knowledge Graph Embeddings by Capturing Semantics with MASCHInE [3.174882428337821]
近年,知識グラフ埋め込みモデル (KGEMs) が注目されている。本研究では,RDF/S情報を活用するKGの小型改良版であるプロトグラフを設計する。学習されたプロトグラフベースの埋め込みは、KGのセマンティクスをカプセル化することを目的としており、KGEの学習に利用することができる。
論文参考訳（メタデータ） (2023-06-06T13:22:54Z)
Logical Message Passing Networks with One-hop Inference on Atomic Formulas [57.47174363091452]
本稿では,ニューラルネットワーク演算子から知識グラフの埋め込みを分解する,複雑な問合せ応答のためのフレームワークを提案する。クエリグラフの上に、局所的な原子式上のワンホップ推論とグローバル論理的推論を結びつける論理メッセージパッシングニューラルネットワーク(LMPNN)を提案する。我々のアプローチは、最先端のニューラルCQAモデルをもたらす。
論文参考訳（メタデータ） (2023-01-21T02:34:06Z)
UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
論文参考訳（メタデータ） (2022-12-02T04:08:09Z)
Clustering Semantic Predicates in the Open Research Knowledge Graph [0.0]
オープンリサーチ知識グラフ(ORKG)のリソースに関する述語を推奨するために、2つのAIベースのクラスタリングアルゴリズムをカスタマイズするアプローチについて述べる。線形実行時の性能を比較的高い精度で再現する実験は,非常に有望な結果を示した。この研究は、44の研究分野にまたがる学術知識のセマンティフィケーションのための一般的なセマンティフィケーションパターンとして、自動的に緩やかに蓄積する述語群に対する新たな洞察を提供する。
論文参考訳（メタデータ） (2022-10-05T05:48:39Z)
KGxBoard: Explainable and Interactive Leaderboard for Evaluation of Knowledge Graph Completion Models [76.01814380927507]
KGxBoardは、データの意味のあるサブセットを詳細に評価するためのインタラクティブなフレームワークである。実験では,KGxBoardを用いることで,標準平均シングルスコアメトリクスでは検出が不可能であったことを強調した。
論文参考訳（メタデータ） (2022-08-23T15:11:45Z)
Semantic Structure based Query Graph Prediction for Question Answering over Knowledge Graph [5.5332967798665305]
本稿では,自然言語質問からクエリグラフを生成することに焦点を当てる。クエリグラフ生成のための既存のアプローチは、質問の意味構造を無視している。本研究では,質問の意味的構造を予測する新しい構造BERTを提案する。
論文参考訳（メタデータ） (2022-04-15T20:35:00Z)
Knowledge Base Question Answering by Case-based Reasoning over Subgraphs [81.22050011503933]
本モデルでは,既存のKG補完アルゴリズムよりも複雑な推論パターンを必要とする問合せに対して,より効果的に答えることを示す。提案モデルは、KBQAベンチマークの最先端モデルよりも優れているか、競合的に動作する。
論文参考訳（メタデータ） (2022-02-22T01:34:35Z)
Toward Subgraph-Guided Knowledge Graph Question Generation with Graph Neural Networks [53.58077686470096]
知識グラフ(KG)質問生成(QG)は,KGから自然言語質問を生成することを目的とする。本研究は,KGサブグラフから質問を生成し,回答をターゲットとする,より現実的な環境に焦点を当てる。
論文参考訳（メタデータ） (2020-04-13T15:43:22Z)

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。