論文の概要: Question Calibration and Multi-Hop Modeling for Temporal Question Answering

• arxiv url: http://arxiv.org/abs/2402.13188v1
• Date: Tue, 20 Feb 2024 17:56:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-21 14:05:32.275882
• Title: Question Calibration and Multi-Hop Modeling for Temporal Question Answering
• Title（参考訳）: 時間的質問応答に対する質問校正とマルチホップモデル
• Authors: Chao Xue, Di Liang, Pengfei Wang, Jing Zhang
• Abstract要約: 複雑なマルチホップ質問応答を解決するために,質問・マルチホップモデリング(QC-MHM)手法を提案する。 具体的には、まず、KGにおける質問と時間制約概念を融合させて、質問表現を校正する。 我々は,マルチホップメッセージパッシングを完了させるためにGNN層を構築し,最後に,GNNの埋め込み出力と組み合わせて最終予測を生成する。
• 参考スコア（独自算出の注目度）: 16.668509683238398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many models that leverage knowledge graphs (KGs) have recently demonstrated remarkable success in question answering (QA) tasks. In the real world, many facts contained in KGs are time-constrained thus temporal KGQA has received increasing attention. Despite the fruitful efforts of previous models in temporal KGQA, they still have several limitations. (I) They adopt pre-trained language models (PLMs) to obtain question representations, while PLMs tend to focus on entity information and ignore entity transfer caused by temporal constraints, and finally fail to learn specific temporal representations of entities. (II) They neither emphasize the graph structure between entities nor explicitly model the multi-hop relationship in the graph, which will make it difficult to solve complex multi-hop question answering. To alleviate this problem, we propose a novel Question Calibration and Multi-Hop Modeling (QC-MHM) approach. Specifically, We first calibrate the question representation by fusing the question and the time-constrained concepts in KG. Then, we construct the GNN layer to complete multi-hop message passing. Finally, the question representation is combined with the embedding output by the GNN to generate the final prediction. Empirical results verify that the proposed model achieves better performance than the state-of-the-art models in the benchmark dataset. Notably, the Hits@1 and Hits@10 results of QC-MHM on the CronQuestions dataset's complex questions are absolutely improved by 5.1% and 1.2% compared to the best-performing baseline. Moreover, QC-MHM can generate interpretable and trustworthy predictions.
• Abstract（参考訳）: 知識グラフ(KG)を利用するモデルの多くは,最近,質問応答(QA)タスクにおいて顕著な成功を収めている。 現実の世界では、KGに含まれる多くの事実は時間的制約を受けており、時間的KGQAは注目されている。 以前のモデルであるtemporal kgqaは実りある努力をしたが、それでもいくつかの制限がある。 (i)質問表現を得るために事前学習言語モデル(plm)を採用する一方、plmは時制制約によるエンティティ情報に注目したり、エンティティ転送を無視する傾向があり、最終的にはエンティティの特定の時制表現を学習できない。 (II) 彼らはエンティティ間のグラフ構造を強調したり、グラフ内のマルチホップ関係を明示的にモデル化したりもせず、複雑なマルチホップ質問応答の解決が困難になる。 この問題を軽減するために,質問校正とマルチホップモデリング(QC-MHM)手法を提案する。 具体的には、まず、KGにおける質問と時間制約概念を融合させて、質問表現を校正する。 そして、マルチホップメッセージパッシングを完了させるために、GNN層を構築する。 最後に、問合せ表現とGNNによる埋め込み出力とを組み合わせて最終予測を生成する。 実験により,提案モデルがベンチマークデータセットの最先端モデルよりも優れた性能を実現することを確認した。 特に、CronQuestionsデータセットの複雑な質問に対するQC-MHMのHits@1とHits@10の結果は、最高のパフォーマンスのベースラインと比較して、確実に5.1%と1.2%改善されている。 さらに、QC-MHMは解釈可能で信頼できる予測を生成することができる。

関連論文リスト

• Self-Improvement Programming for Temporal Knowledge Graph Question Answering [31.33908040172437]
  時間的知識グラフ質問回答(TKGQA)は、時間的知識グラフ(TKG)に対する時間的意図で質問に答えることを目的としている。 既存のエンドツーエンドの手法は、質問や候補者の回答の埋め込みを学習することで、時間制約を暗黙的にモデル化する。 TKGQA(Prog-TQA)のための新しい自己改善プログラミング手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T08:14:27Z)
• Multi-hop Question Answering under Temporal Knowledge Editing [9.356343796845662]
  知識編集(KE)におけるマルチホップ質問応答(MQA)は,大規模言語モデルの時代において大きな注目を集めている。 KEの下でのMQAの既存のモデルは、明示的な時間的コンテキストを含む質問を扱う場合、パフォーマンスが劣っている。 TEMPoral knowLEdge augmented Multi-hop Question Answering (TEMPLE-MQA) を提案する。
  論文  参考訳（メタデータ） (2024-03-30T23:22:51Z)
• ReasoningLM: Enabling Structural Subgraph Reasoning in Pre-trained Language Models for Question Answering over Knowledge Graph [142.42275983201978]
  本稿では,構造化推論を行うためのGNNを模倣するサブグラフ認識型自己認識機構を提案する。 また、モデルパラメータを2万のサブグラフで合成した質問に適応するための適応チューニング戦略も採用する。 実験により、ReasoningLMは、更新されたパラメータが少なく、トレーニングデータが少ない場合でも、最先端のモデルを大きなマージンで上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-30T07:18:54Z)
• Event Extraction as Question Generation and Answering [72.04433206754489]
  イベント抽出に関する最近の研究は、質問回答(QA)としてタスクを再編成した。 そこで我々は,QGA-EEを提案する。QGモデルにより,定型テンプレートを使わずに,リッチな文脈情報を含む質問を生成することができる。 実験の結果、QGA-EEはACE05の英語データセットで以前のシングルタスクベースのモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-07-10T01:46:15Z)
• An Empirical Comparison of LM-based Question and Answer Generation Methods [79.31199020420827]
  質問と回答の生成(QAG)は、コンテキストが与えられた質問と回答のペアのセットを生成することで構成される。 本稿では,シーケンス・ツー・シーケンス言語モデル(LM)を微調整する3つの異なるQAG手法を用いて,ベースラインを確立する。 実験により、学習時間と推論時間の両方で計算的に軽量なエンドツーエンドQAGモデルが一般に堅牢であり、他のより複雑なアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-26T14:59:53Z)
• Time-aware Multiway Adaptive Fusion Network for Temporal Knowledge Graph Question Answering [10.170042914522778]
  我々は,新しい textbf Time-aware textbfMultiway textbfAdaptive (textbfTMA) 融合ネットワークを提案する。 それぞれの質問に対して、TMAはまずKGから関連する概念を抽出し、それから多方向適応モジュールに供給する。 この表現は、最終的な予測を生成するために、事前訓練されたKG埋め込みに組み込むことができる。
  論文  参考訳（メタデータ） (2023-02-24T09:29:40Z)
• Realistic Conversational Question Answering with Answer Selection based on Calibrated Confidence and Uncertainty Measurement [54.55643652781891]
  対話型質問回答モデル(ConvQA)は,会話中に複数回発生した質問文と過去の質問文のペアを用いて質問に回答することを目的としている。 本稿では,会話履歴における不正確な回答を,ConvQAモデルから推定された信頼度と不確実性に基づいてフィルタリングすることを提案する。 我々は2つの標準ConvQAデータセット上で、回答選択に基づくリアルな会話質問回答モデルの有効性を検証する。
  論文  参考訳（メタデータ） (2023-02-10T09:42:07Z)
• TwiRGCN: Temporally Weighted Graph Convolution for Question Answering over Temporal Knowledge Graphs [35.50055476282997]
  時間的質問応答(QA)のための関係グラフ畳み込みネットワーク(RGCN)の一般化方法を示す。 コンボリューション中にKGエッジを通過するメッセージを変調する,新しい,直感的で解釈可能な方式を提案する。 TwiRGCN(TwiRGCN)と呼ばれる、複雑な時間的QAのための、最近リリースされた挑戦的データセットであるTimeQuestions(TimeQuestions)において、結果システムを評価する。
  論文  参考訳（メタデータ） (2022-10-12T15:03:49Z)
• 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)
• 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)
• Template-Based Question Generation from Retrieved Sentences for Improved Unsupervised Question Answering [98.48363619128108]
  擬似学習データを用いてQAモデルを訓練するための教師なしアプローチを提案する。 関連した検索文に簡単なテンプレートを適用してQA学習のための質問を生成すると、元の文脈文よりも、下流QAのパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2020-04-24T17:57:45Z)

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。