Fugu-MT 論文翻訳(概要): From Parse-Execute to Parse-Execute-Refine: Improving Semantic Parser for Complex Question Answering over Knowledge Base

論文の概要: From Parse-Execute to Parse-Execute-Refine: Improving Semantic Parser for Complex Question Answering over Knowledge Base

arxiv url: http://arxiv.org/abs/2305.03356v1
Date: Fri, 5 May 2023 08:20:09 GMT
ステータス: 処理完了
システム内更新日: 2023-05-08 14:49:07.090444
Title: From Parse-Execute to Parse-Execute-Refine: Improving Semantic Parser for Complex Question Answering over Knowledge Base
Title（参考訳）: Parse-ExecuteからParse-Execute-Refineへ:知識ベースによる複雑な質問応答のための意味解析の改善
Authors: Wangzhen Guo, Linyin Luo, Hanjiang Lai, Jian Yin
Abstract要約: KoPLは、複雑なKBQAにおける最先端技術を達成するための推論プロセスを明示的にモデル化するために提案されている。このような単純な戦略は複雑な推論の能力を大幅に向上させることができることを示す。
参考スコア（独自算出の注目度）: 11.72232145568396
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Parsing questions into executable logical forms has showed impressive results for knowledge-base question answering (KBQA). However, complex KBQA is a more challenging task that requires to perform complex multi-step reasoning. Recently, a new semantic parser called KoPL has been proposed to explicitly model the reasoning processes, which achieved the state-of-the-art on complex KBQA. In this paper, we further explore how to unlock the reasoning ability of semantic parsers by a simple proposed parse-execute-refine paradigm. We refine and improve the KoPL parser by demonstrating the executed intermediate reasoning steps to the KBQA model. We show that such simple strategy can significantly improve the ability of complex reasoning. Specifically, we propose three components: a parsing stage, an execution stage and a refinement stage, to enhance the ability of complex reasoning. The parser uses the KoPL to generate the transparent logical forms. Then, the execution stage aligns and executes the logical forms over knowledge base to obtain intermediate reasoning processes. Finally, the intermediate step-by-step reasoning processes are demonstrated to the KBQA model in the refinement stage. With the explicit reasoning processes, it is much easier to answer the complex questions. Experiments on benchmark dataset shows that the proposed PER-KBQA performs significantly better than the stage-of-the-art baselines on the complex KBQA.
Abstract（参考訳）: 知識ベース質問応答(KBQA)において,質問を実行可能な論理形式に解析した結果が得られた。しかし、複雑なKBQAはより困難なタスクであり、複雑な多段階推論を行う必要がある。近年、複雑なKBQAにおける最先端技術を実現した推論過程を明示的にモデル化するために、KoPLと呼ばれる新しい意味解析器が提案されている。本稿では,簡単な構文解析-実行-再定義パラダイムを用いて,意味解析の推論能力を解き明かす方法について検討する。 KBQAモデルに対して実行された中間推論ステップを実証することにより、KoPLパーサを洗練・改善する。このような単純な戦略は、複雑な推論の能力を大幅に改善できることを示します。具体的には,複雑な推論能力を高めるために,パースステージ,実行ステージ,改良ステージの3つのコンポーネントを提案する。パーサはKoPLを使用して透明な論理形式を生成する。そして、実行段階が知識ベース上で論理形式を調整して実行し、中間推論プロセスを得る。最後に、改良段階におけるKBQAモデルに中間段階の推論過程を示す。明示的な推論プロセスでは、複雑な質問に答えるのはずっと簡単です。ベンチマークデータセットの実験では、提案したPER-KBQAは、複雑なKBQAのステージ・オブ・ザ・アートベースラインよりも大幅に性能が向上している。

関連論文リスト

Interactive-KBQA: Multi-Turn Interactions for Knowledge Base Question Answering with Large Language Models [7.399563588835834]
Interactive-KBQAは知識ベース(KB)との直接インタラクションを通じて論理形式を生成するように設計されたフレームワークである提案手法は,WebQuestionsSP, ComplexWebQuestions, KQA Pro, MetaQAデータセット上での競合結果を実現する。
論文参考訳（メタデータ） (2024-02-23T06:32:18Z)
ChatKBQA: A Generate-then-Retrieve Framework for Knowledge Base Question Answering with Fine-tuned Large Language Models [19.85526116658481]
本稿では,新規かつ簡易な生成検索KBQAフレームワークであるChatKBQAを紹介する。実験の結果,ChatKBQAは標準KBQAデータセット上で新たな最先端性能を実現することがわかった。この研究は、LLMと知識グラフを組み合わせるための新しいパラダイムとして、解釈可能および知識要求型質問応答のパラダイムと見なすこともできる。
論文参考訳（メタデータ） (2023-10-13T09:45:14Z)
Prompting Large Language Models with Chain-of-Thought for Few-Shot Knowledge Base Question Generation [19.327008532572645]
知識ベースに関する質問生成(KBQG)は、論理形式を自然言語の質問に変換することを目的としている。推論のためのコンテキスト内学習戦略であるChain-of-Thoughtプロンプトを提案する。 3つのKBQGデータセットに対して広範な実験を行う。
論文参考訳（メタデータ） (2023-10-12T15:08:14Z)
Modeling Hierarchical Reasoning Chains by Linking Discourse Units and Key Phrases for Reading Comprehension [80.99865844249106]
本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
論文参考訳（メタデータ） (2023-06-21T07:34:27Z)
HPE:Answering Complex Questions over Text by Hybrid Question Parsing and Execution [92.69684305578957]
テキストQAにおける質問解析と実行の枠組みを提案する。提案したフレームワークは、トップダウンの質問パースとして、ボトムアップの回答バックトラックとみなすことができる。 MuSiQue,2WikiQA,HotpotQA,およびNQに関する実験により,提案した解析およびハイブリッド実行フレームワークが,教師付き,少数ショット,ゼロショット設定における既存のアプローチより優れていることを示す。
論文参考訳（メタデータ） (2023-05-12T22:37:06Z)
Successive Prompting for Decomposing Complex Questions [50.00659445976735]
最近の研究は、大規模言語モデル(LM)の機能を活用して、数ショットで複雑な質問応答を行う。そこでは、複雑なタスクを単純なタスクに繰り返し分解し、それを解決し、最終解を得るまでプロセスを繰り返します。我々の最良のモデル(逐次プロンプト付き)は、DROPデータセットの数ショットバージョンにおいて、5%の絶対F1の改善を実現します。
論文参考訳（メタデータ） (2022-12-08T06:03:38Z)
Complexity-Based Prompting for Multi-Step Reasoning [72.0057198610614]
大規模言語モデルに対して,多段階推論を行うための課題について検討する。中心的な疑問は、どの推論例が最も効果的なプロンプトを作るかである。多段階推論のためのシンプルで効果的な例選択方式である複雑性ベースのプロンプトを提案する。
論文参考訳（メタデータ） (2022-10-03T05:33:27Z)
DecAF: Joint Decoding of Answers and Logical Forms for Question Answering over Knowledge Bases [81.19499764899359]
本稿では,論理形式と直解の両方を共同で生成する新しいフレームワークDecAFを提案する。 DecAFはWebQSP、FreebaseQA、GrailQAベンチマークで新しい最先端の精度を実現している。
論文参考訳（メタデータ） (2022-09-30T19:51:52Z)
Question Answering over Knowledge Bases by Leveraging Semantic Parsing and Neuro-Symbolic Reasoning [73.00049753292316]
本稿では,意味解析と推論に基づくニューロシンボリック質問回答システムを提案する。 NSQAはQALD-9とLC-QuAD 1.0で最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2020-12-03T05:17:55Z)
SPARQA: Skeleton-based Semantic Parsing for Complex Questions over Knowledge Bases [27.343078784035693]
本稿では,複雑な質問の高次構造を表現するために,新しいスケルトン文法を提案する。 BERTをベースとしたパースアルゴリズムを用いたこの厳密な形式化は、下流の微細なセマンティック解析の精度を向上させるのに役立つ。このアプローチは、いくつかのデータセットで有望なパフォーマンスを示す。
論文参考訳（メタデータ） (2020-03-31T05:12:31Z)

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。