論文の概要: SPARQL Generation with Entity Pre-trained GPT for KG Question Answering

• arxiv url: http://arxiv.org/abs/2402.00969v1
• Date: Thu, 1 Feb 2024 19:38:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-05 17:50:33.028509
• Title: SPARQL Generation with Entity Pre-trained GPT for KG Question Answering
• Title（参考訳）: KG質問応答のためのエンティティ事前学習GPTによるSPARQL生成
• Authors: Diego Bustamante, Hideaki Takeda
• Abstract要約: 私たちは、自然言語の質問にリンクする正しいエンティティを仮定し、GPTモデルをトレーニングして、それらからSPARQLクエリを生成することに重点を置いています。 我々は,SPARQLの精度62.703%の精度,エンティティリンクチャレンジの0.809のF1,質問応答チャレンジの0.009のF1を得た。
• 参考スコア（独自算出の注目度）: 0.11188842018827656
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Knowledge Graphs popularity has been rapidly growing in last years. All that knowledge is available for people to query it through the many online databases on the internet. Though, it would be a great achievement if non-programmer users could access whatever information they want to know. There has been a lot of effort oriented to solve this task using natural language processing tools and creativity encouragement by way of many challenges. Our approach focuses on assuming a correct entity linking on the natural language questions and training a GPT model to create SPARQL queries from them. We managed to isolate which property of the task can be the most difficult to solve at few or zero-shot and we proposed pre-training on all entities (under CWA) to improve the performance. We obtained a 62.703% accuracy of exact SPARQL matches on testing at 3-shots, a F1 of 0.809 on the entity linking challenge and a F1 of 0.009 on the question answering challenge.
• Abstract（参考訳）: 知識グラフの人気はここ数年急速に伸びている。 これらの知識はすべて、インターネット上の多くのオンラインデータベースを通じてクエリすることができる。 しかし、プログラマでないユーザーがどんな情報にもアクセスできれば、それは素晴らしい成果だ。 自然言語処理ツールと多くの課題によって創造性を促進することで、この課題を解決するために多くの努力が払われている。 このアプローチでは、自然言語の質問にリンクする正しいエンティティを仮定し、GPTモデルをトレーニングしてSPARQLクエリを生成する。 そこで我々は,タスクのどの特性をほとんどあるいはゼロショットで解くのがもっとも難しいかを分離し,性能向上のためにすべてのエンティティ(CWA)を事前学習することを提案した。 我々は,SPARQLの精度62.703%の精度,エンティティリンクチャレンジの0.809のF1,質問応答チャレンジの0.009のF1を得た。

関連論文リスト

• Leveraging LLMs in Scholarly Knowledge Graph Question Answering [7.951847862547378]
  KGQAは大きな言語モデル(LLM)を活用することで自然言語の質問に答える SciQAのF1スコアは,Scholarly Knowledge Graph Question Answering Challengeベンチマークの1つである99.0%である。
  論文  参考訳（メタデータ） (2023-11-16T12:13:49Z)
• NLQxform: A Language Model-based Question to SPARQL Transformer [8.698533396991554]
  本稿では,NLQxform と呼ばれる質問応答システムを提案する。 NLQxformでは、自然言語の質問で複雑なクエリ意図を表現できる。 トランスフォーマーベースの言語モデル、すなわちBARTは、質問を標準のSPARQLクエリに変換するために使用される。
  論文  参考訳（メタデータ） (2023-11-08T21:41:45Z)
• In-Context Learning for Knowledge Base Question Answering for Unmanned Systems based on Large Language Models [43.642717344626355]
  我々は,無人システムにおける知識グラフ推論を用いた質問回答コンペティション(CCKS2023)に注目した。 多くのQAタスクにおいてChatGPTやGPT-3のような大規模言語モデル(LLM)が最近成功したことに触発されて、ChatGPTベースのCypher Query Language(CQL)生成フレームワークを提案する。 当社のChatGPTベースのCQL生成フレームワークは、Unmanned Systemsコンペティションのための知識グラフ推論によるCCKS 2023質問回答において、第2位を獲得しました。
  論文  参考訳（メタデータ） (2023-11-06T08:52:11Z)
• Generate then Select: Open-ended Visual Question Answering Guided by World Knowledge [155.81786738036578]
  Open-ended Visual Question Answering (VQA)タスクでは、視覚と自然言語の入力をAIモデルが共同で推論する必要がある。 GPT-3のような事前訓練された言語モデル(PLM)がこのタスクに適用され、強力な世界知識源であることが示されている。 我々は,世界的知識によって導かれるジェネレータ選択戦略をデプロイする新しいVQAパイプラインであるRASOを提案する。
  論文  参考訳（メタデータ） (2023-05-30T08:34:13Z)
• Is ChatGPT a General-Purpose Natural Language Processing Task Solver? [113.22611481694825]
  大規模言語モデル(LLM)は、さまざまな自然言語処理(NLP)タスクをゼロショットで実行できることを実証している。 近年、ChatGPTのデビューは自然言語処理(NLP)コミュニティから大きな注目を集めている。 ChatGPTが多くのNLPタスクをゼロショットで実行できるジェネラリストモデルとして機能するかどうかはまだ分かっていない。
  論文  参考訳（メタデータ） (2023-02-08T09:44:51Z)
• 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)
• 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)
• 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)
• AutoQGS: Auto-Prompt for Low-Resource Knowledge-based Question Generation from SPARQL [18.019353543946913]
  本研究では,知識に基づく質問生成(KBQG)の課題について検討する。 従来のKBQGは知識グラフのファクトトリプルから質問を生成するが、これはSPARQLの集約や比較のような複雑な操作を表現できない。 本研究では,SPARQLをNL記述に書き換えるために,大規模教師なしデータに基づいて訓練された自動プロンプタを提案する。
  論文  参考訳（メタデータ） (2022-08-26T06:53:46Z)
• SPBERT: Pre-training BERT on SPARQL Queries for End-to-end Question Answering over Knowledge Graphs [1.1775939485654976]
  SPBERTは、大規模なSPARQLクエリログを事前トレーニングしたTransformerベースの言語モデルである。 本研究では,SPBERTとエンコーダデコーパスアーキテクチャを知識ベースQAコーパスに適用する方法について検討する。
  論文  参考訳（メタデータ） (2021-06-18T08:39:26Z)
• CoSQA: 20,000+ Web Queries for Code Search and Question Answering [63.92224685262063]
  CoSQAデータセットには、自然言語クエリとコードのペア用の20,604ラベルが含まれている。 本稿では,クエリコードマッチングを強化するために,CoCLRと呼ばれる対照的な学習手法を提案する。 我々は,CodeXGLUEを同じCodeBERTモデルで評価し,CoSQAのトレーニングにより,コード質問応答の精度が5.1%向上したことを示す。
  論文  参考訳（メタデータ） (2021-05-27T15:37:21Z)

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。