論文の概要: Enhancing Complex Question Answering over Knowledge Graphs through Evidence Pattern Retrieval

• arxiv url: http://arxiv.org/abs/2402.02175v1
• Date: Sat, 3 Feb 2024 14:54:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-06 21:39:09.463302
• Title: Enhancing Complex Question Answering over Knowledge Graphs through Evidence Pattern Retrieval
• Title（参考訳）: エビデンスパターン検索による知識グラフに対する複雑な質問応答の強化
• Authors: Wentao Ding, Jinmao Li, Liangchuan Luo, Yuzhong Qu
• Abstract要約: 証拠事実間の構造的依存関係の重要性を過小評価する。 本稿では,部分グラフ抽出時の構造的依存関係を明示的にモデル化するEvidence Pattern Retrievalを提案する。 実験結果から, IR-KGQA法において, EPRに基づくアプローチによりF1スコアが大幅に向上したことが明らかとなった。
• 参考スコア（独自算出の注目度）: 12.584696527589868
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Information retrieval (IR) methods for KGQA consist of two stages: subgraph extraction and answer reasoning. We argue current subgraph extraction methods underestimate the importance of structural dependencies among evidence facts. We propose Evidence Pattern Retrieval (EPR) to explicitly model the structural dependencies during subgraph extraction. We implement EPR by indexing the atomic adjacency pattern of resource pairs. Given a question, we perform dense retrieval to obtain atomic patterns formed by resource pairs. We then enumerate their combinations to construct candidate evidence patterns. These evidence patterns are scored using a neural model, and the best one is selected to extract a subgraph for downstream answer reasoning. Experimental results demonstrate that the EPR-based approach has significantly improved the F1 scores of IR-KGQA methods by over 10 points on ComplexWebQuestions and achieves competitive performance on WebQuestionsSP.
• Abstract（参考訳）: KGQAのための情報検索(IR)手法は,サブグラフ抽出と解答推論の2段階からなる。 現在の部分グラフ抽出法は証拠事実間の構造的依存関係の重要性を過小評価している。 部分グラフ抽出時の構造的依存関係を明示的にモデル化するEvidence Pattern Retrieval (EPR)を提案する。 資源対の原子隣接パターンをインデックス化してEPRを実装する。 そこで,資源対が生成する原子パターンを高密度に検索する手法を提案する。 次に、それらの組み合わせを列挙して、候補エビデンスパターンを構築します。 これらの証拠パターンはニューラルモデルを用いてスコア付けされ、最善の証拠パターンが選択され、下流の回答推論のためのサブグラフを抽出する。 実験の結果, IR-KGQA手法のF1スコアは複雑WebQuestionsで10ポイント以上向上し, WebQuestionsSP上での競争性能が向上した。

関連論文リスト

• Atomic Fact Decomposition Helps Attributed Question Answering [30.75332718824254]
  Attributed Question Answering (AQA)は、質問に対する信頼できる回答と信頼できる属性レポートを提供することを目的としている。 本稿では,アトミックな事実分解に基づくRetrieval and Editingフレームワークを提案する。 生成した長文の回答を、命令調整されたLSMによって分子節と原子事実に分解する。
  論文  参考訳（メタデータ） (2024-10-22T05:25:54Z)
• Exploiting Abstract Meaning Representation for Open-Domain Question Answering [18.027908933572203]
  抽象的意味表現(AMR)グラフを用いて、複雑な意味情報を理解するモデルを支援する。 また,Natural Questions (NQ) と TriviaQA (TQ) の結果から,GST法が性能を著しく向上することを示した。
  論文  参考訳（メタデータ） (2023-05-26T16:00:16Z)
• Enriching Relation Extraction with OpenIE [70.52564277675056]
  関係抽出(RE)は情報抽出(IE)のサブ分野である 本稿では,オープン情報抽出(OpenIE)の最近の取り組みがREの課題の改善にどのように役立つかを検討する。 本稿では,2つの注釈付きコーパスであるKnowledgeNetとFewRelを用いた実験により,拡張モデルの精度向上を実証した。
  論文  参考訳（メタデータ） (2022-12-19T11:26:23Z)
• 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)
• Subgraph Retrieval Enhanced Model for Multi-hop Knowledge Base Question Answering [30.87332065914876]
  本稿では、その後の推論プロセスから切り離された訓練可能な部分グラフ検索器(SR)を提案する。 大規模な実験により、SRは既存の検索方法よりも大幅に優れた検索性能とQA性能を示した。
  論文  参考訳（メタデータ） (2022-02-27T05:25:20Z)
• Automatically Generating Counterfactuals for Relation Exaction [18.740447044960796]
  関係抽出(RE)は自然言語処理の基本課題である。 現在のディープニューラルモデルは高い精度を達成しているが、スプリアス相関の影響を受けやすい。 我々は、エンティティの文脈的反事実を導出するための新しいアプローチを開発する。
  論文  参考訳（メタデータ） (2022-02-22T04:46:10Z)
• 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)
• Question-Answer Sentence Graph for Joint Modeling Answer Selection [122.29142965960138]
  我々は,質問文,質問文,回答文のペア間のスコアを計算するための最先端(SOTA)モデルを訓練し,統合する。 オンライン推論は、目に見えないクエリのAS2タスクを解決するために実行される。
  論文  参考訳（メタデータ） (2022-02-16T05:59:53Z)
• Question-Based Salient Span Selection for More Controllable Text Summarization [67.68208237480646]
  本稿では,質問応答(QA)信号を要約モデルに組み込む手法を提案する。 提案手法は,入力文書中の有声名詞句(NP)を自動生成することで同定する。 このQAベースの信号は、2段階の要約モデルに組み込まれ、まず分類モデルを用いて入力文書中の有能なNPをマークし、その後、条件付きで要約を生成する。
  論文  参考訳（メタデータ） (2021-11-15T17:36:41Z)
• AMR Parsing via Graph-Sequence Iterative Inference [62.85003739964878]
  本稿では,AMR解析を入力シーケンスとインクリメンタルに構築されたグラフ上での2つの決定の連続として扱うエンド・ツー・エンドのモデルを提案する。 これら2つの質問に対する回答は相互因果関係であることを示す。 我々は、両方の視点でより良い回答を得るのに役立つ反復推論に基づくモデルを設計し、解析精度を大幅に改善する。
  論文  参考訳（メタデータ） (2020-04-12T09:15:21Z)

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。