論文の概要: Framework for Question-Answering in Sanskrit through Automated
Construction of Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2310.07848v1
- Date: Wed, 11 Oct 2023 19:50:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-14 14:05:13.510220
- Title: Framework for Question-Answering in Sanskrit through Automated
Construction of Knowledge Graphs
- Title(参考訳): 知識グラフの自動構築によるサンスクリットにおける質問応答フレームワーク
- Authors: Hrishikesh Terdalkar and Arnab Bhattacharya
- Abstract要約: ファクトイドな質問に答えるために知識グラフを用いた自然言語質問回答システムをSammskdrtaで構築する。
約50%のファクトイド質問がシステムによって正しく答えられることを示す。
- 参考スコア(独自算出の注目度): 4.730436931455357
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sanskrit (sa\d{m}sk\d{r}ta) enjoys one of the largest and most varied
literature in the whole world. Extracting the knowledge from it, however, is a
challenging task due to multiple reasons including complexity of the language
and paucity of standard natural language processing tools. In this paper, we
target the problem of building knowledge graphs for particular types of
relationships from sa\d{m}sk\d{r}ta texts. We build a natural language
question-answering system in sa\d{m}sk\d{r}ta that uses the knowledge graph to
answer factoid questions. We design a framework for the overall system and
implement two separate instances of the system on human relationships from
mah\=abh\=arata and r\=am\=aya\d{n}a, and one instance on synonymous
relationships from bh\=avaprak\=a\'sa nigha\d{n}\d{t}u, a technical text from
\=ayurveda. We show that about 50% of the factoid questions can be answered
correctly by the system. More importantly, we analyse the shortcomings of the
system in detail for each step, and discuss the possible ways forward.
- Abstract(参考訳): サンスクリット (sa\d{m}sk\d{r}ta) は世界最大かつ最も多様な文学の1つである。
しかし、その知識を抽出することは、言語の複雑さや標準自然言語処理ツールの妥当性など、さまざまな理由から難しい課題である。
本稿では,sa\d{m}sk\d{r}ta テキストから,特定の種類の関係性に関する知識グラフを構築することの問題点を論じる。
sa\d{m}sk\d{r}taに自然言語質問応答システムを構築し,知識グラフを用いて事実的疑問に答える。
我々は、システム全体のフレームワークを設計し、このシステムの人間関係に関する2つのインスタンスをmah\=abh\=arata と r\=am\=aya\d{n}a と、bh\=avaprak\=a\'sa nigha\d{n}\d{t}u の同義関係に関する1つのインスタンスを実装した。
事実的質問の約50%がシステムによって正しく答えられることを示す。
より重要なことは、各ステップでシステムの欠点を詳細に分析し、考えられる方法について議論することです。
関連論文リスト
- Konstruktor: A Strong Baseline for Simple Knowledge Graph Question Answering [60.6042489577575]
Konstruktor - 問題を3つのステップに分割する,効率的で堅牢なアプローチ。
我々のアプローチは言語モデルと知識グラフを統合し、前者の力と後者の解釈可能性を活用する。
関係検出において、ワークフローの最も困難なステップとして、関係分類・生成とランク付けの組み合わせが、他の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2024-09-24T09:19:11Z) - Integrating Large Language Models with Graph-based Reasoning for Conversational Question Answering [58.17090503446995]
我々は,テキストや知識グラフ,テーブル,インフォボックスといった異質な情報源から収集された証拠について,文脈における質問の理解と推論の課題を組み合わせた会話型質問応答タスクに着目する。
提案手法はグラフ構造表現を用いて質問とその文脈に関する情報を集約する。
論文 参考訳(メタデータ) (2024-06-14T13:28:03Z) - Reasoning over Hierarchical Question Decomposition Tree for Explainable
Question Answering [83.74210749046551]
ヘテロジニアス知識統合のための質問分解手法を提案する。
階層的質問分解木(RoHT)を用いた新しい2段階XQAフレームワークを提案する。
複雑なQAデータセットKQA ProとMusiqueの実験は、我々のフレームワークがSOTAメソッドを著しく上回っていることを示している。
論文 参考訳(メタデータ) (2023-05-24T11:45:59Z) - Semantic Parsing for Conversational Question Answering over Knowledge
Graphs [63.939700311269156]
本研究では,ユーザの質問にSparqlパースとアノテートし,システム回答が実行結果に対応するデータセットを開発する。
本稿では,2つの意味解析手法を提案し,その課題を強調した。
私たちのデータセットとモデルはhttps://github.com/Edinburgh/SPICE.orgで公開されています。
論文 参考訳(メタデータ) (2023-01-28T14:45:11Z) - Automatic question generation based on sentence structure analysis using
machine learning approach [0.0]
本稿では,英語の非構造化テキストから事実質問を生成するための枠組みを紹介する。
文パターンに基づく従来の言語アプローチと、いくつかの機械学習手法を組み合わせる。
フレームワークには、生成された質問の品質を見積もる質問評価モジュールも含まれている。
論文 参考訳(メタデータ) (2022-05-25T14:35:29Z) - Math-KG: Construction and Applications of Mathematical Knowledge Graph [2.1828601975620257]
本研究では,パイプライン法と自然言語処理技術によって自動的に構築された数学知識グラフMath-KGを提案する。
提案するMath-KGは,故障解析やセマンティックサーチなど,一連のシーンでコントリビューションを行うことができる。
論文 参考訳(メタデータ) (2022-05-08T03:39:07Z) - Integrating question answering and text-to-SQL in Portuguese [0.0]
異なるモジュールを統合して、2種類のクエリに応答するアーキテクチャを構築します。
我々のアーキテクチャは、自由形式の自然言語テキストを受け取り、それを分類して、Neural Questioning ReasonerまたはNatural Language to SQLに送信します。
実験により, 精度の高い適切な解答法を選択する(99%以上)。
論文 参考訳(メタデータ) (2022-02-08T18:23:03Z) - GreaseLM: Graph REASoning Enhanced Language Models for Question
Answering [159.9645181522436]
GreaseLMは、事前訓練されたLMとグラフニューラルネットワークの符号化された表現を、複数の層にわたるモダリティ相互作用操作で融合する新しいモデルである。
GreaseLMは、状況制約と構造化知識の両方の推論を必要とする問題に、より確実に答えることができる。
論文 参考訳(メタデータ) (2022-01-21T19:00:05Z) - UNIQORN: Unified Question Answering over RDF Knowledge Graphs and Natural Language Text [20.1784368017206]
知識グラフのようなRDFデータに対する質問応答は大幅に進歩している。
IRとNLPのコミュニティはテキストによるQAに対処してきたが、そのようなシステムは意味データや知識をほとんど利用していない。
本稿では,RDFデータセットとテキストコーパスを併用した複雑な質問をシームレスに操作する手法を提案する。
論文 参考訳(メタデータ) (2021-08-19T10:50:52Z) - Knowledge-driven Natural Language Understanding of English Text and its
Applications [8.417188296231059]
英文を対象とした知識駆動型意味表現手法を提案する。
SQuARE (Semantic-based Question Answering and Reasoning Engine) と StaCACK (Stateful Conversational Agent using Commonsense Knowledge) の2つのNLUアプリケーションを提案する。
論文 参考訳(メタデータ) (2021-01-27T22:02:50Z) - Automatic Extraction of Rules Governing Morphological Agreement [103.78033184221373]
原文から第一パス文法仕様を抽出する自動フレームワークを開発する。
我々は、世界の多くの言語の文法の中核にあるモルフォシンタクティックな現象である合意を記述する規則の抽出に焦点をあてる。
我々のフレームワークはUniversal Dependenciesプロジェクトに含まれるすべての言語に適用され、有望な結果が得られます。
論文 参考訳(メタデータ) (2020-10-02T18:31:45Z)
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。