論文の概要: Pay More Attention to Relation Exploration for Knowledge Base Question Answering

• arxiv url: http://arxiv.org/abs/2305.02118v2
• Date: Thu, 25 May 2023 10:15:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-26 20:06:53.512986
• Title: Pay More Attention to Relation Exploration for Knowledge Base Question Answering
• Title（参考訳）: 知識ベース質問応答のための関係探索にもっと注意を払う
• Authors: Yong Cao, Xianzhi Li, Huiwen Liu, Wen Dai, Shuai Chen, Bin Wang, Min Chen and Daniel Hershcovich
• Abstract要約: 本稿では,知識ベースにおける関係を利用してエンティティ表現を強化する新しいフレームワークRE-KBQAを提案する。 CWQではF1スコアが40.5から46.3に、WebQSPでは62.8から68.5に5.8%向上した。
• 参考スコア（独自算出の注目度）: 17.273836429397203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge base question answering (KBQA) is a challenging task that aims to retrieve correct answers from large-scale knowledge bases. Existing attempts primarily focus on entity representation and final answer reasoning, which results in limited supervision for this task. Moreover, the relations, which empirically determine the reasoning path selection, are not fully considered in recent advancements. In this study, we propose a novel framework, RE-KBQA, that utilizes relations in the knowledge base to enhance entity representation and introduce additional supervision. We explore guidance from relations in three aspects, including (1) distinguishing similar entities by employing a variational graph auto-encoder to learn relation importance; (2) exploring extra supervision by predicting relation distributions as soft labels with a multi-task scheme; (3) designing a relation-guided re-ranking algorithm for post-processing. Experimental results on two benchmark datasets demonstrate the effectiveness and superiority of our framework, improving the F1 score by 5.7% from 40.5 to 46.3 on CWQ and 5.8% from 62.8 to 68.5 on WebQSP, better or on par with state-of-the-art methods.
• Abstract（参考訳）: 知識ベース質問応答(KBQA)は,大規模知識ベースから正しい回答を取得することを目的とした課題である。 既存の試みは、主にエンティティ表現と最終回答推論にフォーカスしており、このタスクの監督は限られている。 また、近年の進歩において、推論経路の選択を実証的に決定する関係は十分に考慮されていない。 本研究では,知識ベースにおける関係を利用してエンティティ表現を強化し,追加の監督を行う新しいフレームワークRE-KBQAを提案する。 本研究は,(1)変動グラフオートエンコーダを用いて関係の重要性を学習すること,(2)ソフトラベルとしての関係分布をマルチタスク方式で予測することによる余分な監督,(3)事後処理のための関係誘導再ランキングアルゴリズムを設計すること,の3つの側面から,関係からの指導について検討する。 2つのベンチマークデータセットにおける実験結果から,f1スコアをcwqでは40.5から46.3に5.7%改善し,webqspでは62.8から68.5に5.8%改善した。

関連論文リスト

• Graphusion: Leveraging Large Language Models for Scientific Knowledge Graph Fusion and Construction in NLP Education [14.368011453534596]
  フリーテキストからのゼロショット知識グラフフレームワークであるGraphusionを紹介する。 核融合モジュールは、エンティティのマージ、競合解決、新しい三重項発見を取り入れた三重項のグローバルなビューを提供する。 本評価は,リンク予測における教師付きベースラインの精度を最大10%超えることを示す。
  論文  参考訳（メタデータ） (2024-07-15T15:13:49Z)
• Distinguish Before Answer: Generating Contrastive Explanation as Knowledge for Commonsense Question Answering [61.53454387743701]
  本稿では,概念中心のPrompt-bAsed Contrastive Explanation GenerationモデルであるCPACEを提案する。 CPACEは、得られたシンボル知識を、与えられた候補間の差異をよりよく区別するために、対照的な説明に変換する。 本稿では,CSQA,QASC,OBQAの3つの質問回答データセットについて実験を行った。
  論文  参考訳（メタデータ） (2023-05-14T12:12:24Z)
• KGE-CL: Contrastive Learning of Knowledge Graph Embeddings [64.67579344758214]
  本稿では,知識グラフ埋め込みのための簡易かつ効率的な学習フレームワークを提案する。 これは、関連するエンティティと異なる三重項におけるエンティティ-リレーションのカップルのセマンティック距離を短縮することができる。 WN18RRデータセットで51.2% MRR、46.8% Hits@1、59.1% MRR、51.8% Hits@1、YAGO3-10データセットで達成できる。
  論文  参考訳（メタデータ） (2021-12-09T12:45:33Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)
• How Knowledge Graph and Attention Help? A Quantitative Analysis into Bag-level Relation Extraction [66.09605613944201]
  バッグレベルの関係抽出(RE)における注意と知識グラフの効果を定量的に評価する。 その結果,(1)注目精度の向上は,エンティティ参照特徴を抽出するモデルの性能を損なう可能性があること,(2)注目性能は様々なノイズ分布パターンの影響が大きいこと,(3)KG強化された注目はRE性能を向上するが,その効果は注目度を向上させるだけでなく,先行するエンティティを組み込むことによっても改善することがわかった。
  論文  参考訳（メタデータ） (2021-07-26T09:38:28Z)
• Multi-view Inference for Relation Extraction with Uncertain Knowledge [8.064148591925932]
  本論文では,未知の知識を利用して関係抽出を改善することを提案する。 対象エンティティが概念にどの程度属しているかを示す不確定なkgであるprobaseを紹介する。 次に、ローカルコンテキストとグローバル知識を体系的に統合する新しい多視点推論フレームワークを設計する。
  論文  参考訳（メタデータ） (2021-04-28T05:56:33Z)
• A Question-answering Based Framework for Relation Extraction Validation [18.132034601588742]
  我々は、関係抽出の性能をさらに向上させる上で、検証は重要かつ有望な方向であると論じる。 関係抽出モデルから結果を検証するための新しい質問応答ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-07T06:08:36Z)
• Leveraging Semantic Parsing for Relation Linking over Knowledge Bases [80.99588366232075]
  本稿では,AMRを用いた意味解析と遠隔監視を利用した関係リンクフレームワークであるSlingを提案する。 Slingは複数の関係リンクアプローチを統合し、言語的手がかり、豊かな意味表現、知識ベースからの情報などの補完的な信号をキャプチャする。 QALD-7, QALD-9, LC-QuAD 1.0という3つのKBQAデータセットを用いた関係リンク実験により, 提案手法が全てのベンチマークで最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2020-09-16T14:56:11Z)
• An Iterative Multi-Knowledge Transfer Network for Aspect-Based Sentiment Analysis [73.7488524683061]
  本稿では,エンド・ツー・エンドABSAのための新しいIterative Multi-Knowledge Transfer Network (IMKTN)を提案する。 我々のIMKTNは、よく設計されたルーティングアルゴリズムを用いて、3つのサブタスクのうち2つのタスク固有の知識をトークンレベルで別のタスクに転送する。 3つのベンチマークデータセットの実験結果は、我々のアプローチの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2020-04-04T13:49:54Z)

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。