論文の概要: Question Answering Over Spatio-Temporal Knowledge Graph

• arxiv url: http://arxiv.org/abs/2402.11542v1
• Date: Sun, 18 Feb 2024 10:44:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-20 20:48:42.057112
• Title: Question Answering Over Spatio-Temporal Knowledge Graph
• Title（参考訳）: 時空間知識グラフに関する質問応答
• Authors: Xinbang Dai, Huiying Li, Guilin Qi
• Abstract要約: 時空間知識グラフ質問応答(STKGQA)を組み込んだ1万の自然言語質問からなるデータセットを提案する。 質問から時間的・空間的な情報を抽出することにより、質問をよりよく理解し、STKGから正確な回答を得られる。
• 参考スコア（独自算出の注目度）: 13.422936134074629
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatio-temporal knowledge graphs (STKGs) extend the concept of knowledge graphs (KGs) by incorporating time and location information. While the research community's focus on Knowledge Graph Question Answering (KGQA), the field of answering questions incorporating both spatio-temporal information based on STKGs remains largely unexplored. Furthermore, a lack of comprehensive datasets also has hindered progress in this area. To address this issue, we present STQAD, a dataset comprising 10,000 natural language questions for spatio-temporal knowledge graph question answering (STKGQA). Unfortunately, various state-of-the-art KGQA approaches fall far short of achieving satisfactory performance on our dataset. In response, we propose STCQA, a new spatio-temporal KGQA approach that utilizes a novel STKG embedding method named STComplEx. By extracting temporal and spatial information from a question, our QA model can better comprehend the question and retrieve accurate answers from the STKG. Through extensive experiments, we demonstrate the quality of our dataset and the effectiveness of our STKGQA method.
• Abstract（参考訳）: 時空間知識グラフ(STKG)は、時間と位置情報を組み込んだ知識グラフ(KG)の概念を拡張している。 知識グラフ質問応答(kgqa)を研究コミュニティが重視する一方で、stkgsに基づく時空間情報と時空間情報の両方を取り入れた質問への回答の分野は、ほとんど未定である。 さらに、包括的なデータセットの欠如は、この分野の進歩を妨げている。 この問題に対処するために、時空間知識グラフ質問応答(STKGQA)のための1万の自然言語質問からなるデータセットSTQADを提案する。 残念なことに、最先端のKGQAアプローチは、我々のデータセットで十分なパフォーマンスを達成するには程遠い。 そこで本研究では,STComplExという新しいSTKG埋め込み手法を用いた時空間KGQA手法であるSTCQAを提案する。 質問から時間的・空間的な情報を抽出することにより、質問をよりよく理解し、STKGから正確な回答を得ることができる。 大規模な実験を通じて、データセットの品質とSTKGQA法の有効性を実証した。

関連論文リスト

• Temporal Knowledge Graph Question Answering: A Survey [39.40384139630724]
  時間的知識グラフ質問回答(TKGQA)は、時間的疑問に答える新しい課題である。 本稿では、時間的質問の分類と、TKGQAの方法論的分類の2つの観点から、徹底的な調査を行う。
  論文  参考訳（メタデータ） (2024-06-20T10:51:06Z)
• Automatic Question-Answer Generation for Long-Tail Knowledge [65.11554185687258]
  テールエンティティのための特別なQAデータセットを生成するための自動アプローチを提案する。 我々は,新たに生成された長尾QAデータセットに事前学習したLLMを用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-03-03T03:06:31Z)
• FedCQA: Answering Complex Queries on Multi-Source Knowledge Graphs via Federated Learning [55.02512821257247]
  複雑な論理的問合せ応答は知識グラフ(KG)の課題である 近年、KGエンティティを埋め込みベクトルに表現し、KGからの論理的クエリに対する回答を求める手法が提案されている。 マルチソースKGのクエリにどのように答えるかは、まだ不明である。
  論文  参考訳（メタデータ） (2024-02-22T14:57:44Z)
• Search to Pass Messages for Temporal Knowledge Graph Completion [97.40256786473516]
  我々は、時間知識グラフ(TKG)の補完のために、NAS(Neural Architecture Search)を用いて、データ固有のメッセージパッシングアーキテクチャを設計することを提案する。 特に,TKGにおけるトポロジカルおよび時間的情報を探るための一般化されたフレームワークを開発する。 より低コストで効率的な探索のために単一経路をサンプリングし,スーパーネット構造を訓練する探索アルゴリズムを採用する。
  論文  参考訳（メタデータ） (2022-10-30T04:05:06Z)
• ForecastTKGQuestions: A Benchmark for Temporal Question Answering and Forecasting over Temporal Knowledge Graphs [28.434829347176233]
  時間的知識グラフ(TKGQA)に対する質問応答の関心が高まっている。 TKGQAは時間的知識ベースから関連情報を抽出するために時間的推論技術を必要とする。 本稿では,時間的知識グラフを用いた質問応答の予測という新しい課題を提案する。
  論文  参考訳（メタデータ） (2022-08-12T21:02:35Z)
• Knowledge Graph Question Answering Leaderboard: A Community Resource to Prevent a Replication Crisis [61.740077541531726]
  コミュニティの焦点として、KGQAベンチマークデータセットに対して、新たな中心的でオープンなリーダボードを提供しています。 本分析は,KGQAシステムの評価において,既存の問題点を浮き彫りにする。
  論文  参考訳（メタデータ） (2022-01-20T13:46:01Z)
• TempoQR: Temporal Question Reasoning over Knowledge Graphs [11.054877399064804]
  本稿では,知識グラフに関する複雑な疑問に答える包括的埋め込み型フレームワークを提案する。 提案手法は時間的問題推論(TempoQR)と呼ばれ、TKGの埋め込みを利用して、対象とする特定のエンティティや時間範囲に疑問を定めている。 実験の結果,TempoQRの精度は25～45ポイント向上した。
  論文  参考訳（メタデータ） (2021-12-10T23:59:14Z)
• Complex Temporal Question Answering on Knowledge Graphs [22.996399822102575]
  この研究は、複雑な時間的質問に答える最初のエンドツーエンドシステムであるEXAQTを提示する。 知識グラフ(KG)に関する自然言語の質問には、高いリコールを目標とし、上位ランクの精度を目標とする2つのステージで答える。 我々は、様々な汎用KG-QAベンチマークから収集された16kの時間的質問の大規模なデータセットであるTimeQuestionsのEXAQTを評価する。
  論文  参考訳（メタデータ） (2021-09-18T13:41:43Z)
• Question Answering Over Temporal Knowledge Graphs [20.479222151497495]
  時間的知識グラフ(Temporal Knowledge Graphs)は、KGの各エッジに時間的スコープ(開始時間と終了時間)を提供することによって、通常の知識グラフを拡張する。 KG に関する質問回答 (KGQA) は研究コミュニティから注目されているが、時間 KG に関する質問回答 (Temporal KGQA) は比較的未調査の分野である。 本稿では,時間的KGQAデータセットとして最大であるCRONQUESTIONSについて述べる。
  論文  参考訳（メタデータ） (2021-06-03T00:45:07Z)
• QA-GNN: Reasoning with Language Models and Knowledge Graphs for Question Answering [122.84513233992422]
  学習済み言語モデル(LM)と知識グラフ(KG)の知識を用いて質問に答える問題に対処する新しいモデルであるQA-GNNを提案する。 既存のLMとLM+KGモデルに対する改善と、解釈可能で構造化された推論を行う能力を示しています。
  論文  参考訳（メタデータ） (2021-04-13T17:32:51Z)
• A Survey on Complex Question Answering over Knowledge Base: Recent Advances and Challenges [71.4531144086568]
  知識ベース(KB)に対する質問回答(QA)は、自然言語の質問に自動的に答えることを目的としている。 研究者は、よりKBのトリプルと制約推論を必要とする単純な質問から複雑な質問へと注意を移した。
  論文  参考訳（メタデータ） (2020-07-26T07:13:32Z)

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。