論文の概要: Konstruktor: A Strong Baseline for Simple Knowledge Graph Question Answering

• arxiv url: http://arxiv.org/abs/2409.15902v1
• Date: Tue, 24 Sep 2024 09:19:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-26 08:11:26.887438
• Title: Konstruktor: A Strong Baseline for Simple Knowledge Graph Question Answering
• Title（参考訳）: Konstruktor: 簡単な知識グラフ質問回答のための強力なベースライン
• Authors: Maria Lysyuk, Mikhail Salnikov, Pavel Braslavski, Alexander Panchenko,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 60.6042489577575
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While being one of the most popular question types, simple questions such as "Who is the author of Cinderella?", are still not completely solved. Surprisingly, even the most powerful modern Large Language Models are prone to errors when dealing with such questions, especially when dealing with rare entities. At the same time, as an answer may be one hop away from the question entity, one can try to develop a method that uses structured knowledge graphs (KGs) to answer such questions. In this paper, we introduce Konstruktor - an efficient and robust approach that breaks down the problem into three steps: (i) entity extraction and entity linking, (ii) relation prediction, and (iii) querying the knowledge graph. Our approach integrates language models and knowledge graphs, exploiting the power of the former and the interpretability of the latter. We experiment with two named entity recognition and entity linking methods and several relation detection techniques. We show that for relation detection, the most challenging step of the workflow, a combination of relation classification/generation and ranking outperforms other methods. We report Konstruktor's strong results on four datasets.
• Abstract（参考訳）: もっとも一般的な質問タイプの一つだが、「シンデレラの作者は誰だ?」といった単純な質問は、まだ完全には解決されていない。 驚くべきことに、最も強力な大規模言語モデルでさえ、そのような質問、特に稀なエンティティを扱う場合、エラーを起こしやすい。 同時に、答えが質問エンティティから1ホップ離れている場合もあり、構造化知識グラフ(KG)を使ってそのような質問に答える手法を開発することができる。 本稿では,問題を3つのステップに分割する,効率的かつ堅牢なアプローチであるKonstruktorを紹介する。 一 実体抽出及び実体リンク (二)関係予測、及び (iii)知識グラフの問い合わせ。 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。 我々は2つの名前付きエンティティ認識とエンティティリンク法、およびいくつかの関係検出手法を実験した。 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。 ここでは,4つのデータセットについて,Konstruktorの強い結果を報告する。

関連論文リスト

• Learning Representations for Reasoning: Generalizing Across Diverse Structures [5.031093893882575]
  我々は、知識とクエリ構造をまたいだアルゴリズムを考案し、推論モデルの境界を推し進めることを目指している。 図書館は構造化データを第一級市民として扱い,構造化データのアルゴリズム開発における障壁を取り除く。
  論文  参考訳（メタデータ） (2024-10-16T20:23:37Z)
• iText2KG: Incremental Knowledge Graphs Construction Using Large Language Models [0.7165255458140439]
  iText2KGは、後処理なしで漸進的にトピックに依存しない知識グラフを構築する方法である。 提案手法は,3つのシナリオにまたがるベースライン手法と比較して,優れた性能を示す。
  論文  参考訳（メタデータ） (2024-09-05T06:49:14Z)
• Graph Reasoning for Question Answering with Triplet Retrieval [33.454090126152714]
  知識グラフ(KGs)から最も関連性の高い三つ子を抽出する簡便で効果的な方法を提案する。 我々の手法は最先端の精度を4.6%まで上回ることができる。
  論文  参考訳（メタデータ） (2023-05-30T04:46:28Z)
• 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)
• An Inference Approach To Question Answering Over Knowledge Graphs [7.989723691844202]
  本研究では,知識グラフ上の自然言語クエリの問題を前提-仮説ペア上の推論問題に変換する。 提案手法は,MetaQAデータセット上で90%以上の精度を達成し,既存の最先端技術を上回っている。 我々のアプローチでは、異なるドメインからの新しい知識グラフをクエリするために、大きなドメイン固有のトレーニングデータを必要としない。
  論文  参考訳（メタデータ） (2021-12-21T10:07:55Z)
• Learning Relation Prototype from Unlabeled Texts for Long-tail Relation Extraction [84.64435075778988]
  本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。 我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。 私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
  論文  参考訳（メタデータ） (2020-11-27T06:21:12Z)
• A Simple Approach to Case-Based Reasoning in Knowledge Bases [56.661396189466664]
  我々は,古典人工知能(AI)におけるケースベース推論を想起させる,アンフノトレーニングを必要とする知識グラフ(KG)における推論に対する驚くほど単純かつ正確なアプローチを提案する。 ソースエンティティとバイナリ関係が与えられたターゲットエンティティを見つけるタスクを考えてみましょう。 我々の非パラメトリックなアプローチは、与えられた関係を通して類似したソースエンティティを接続する複数のテキストトグラフパスパターンを見つけることによって、クエリ毎にクレープな論理ルールを導出します。
  論文  参考訳（メタデータ） (2020-06-25T06:28:09Z)
• ENT-DESC: Entity Description Generation by Exploring Knowledge Graph [53.03778194567752]
  実際には、出力記述が最も重要な知識のみをカバーするため、入力知識は十分以上である可能性がある。 我々は、KG-to-textにおけるこのような実践的なシナリオの研究を容易にするために、大規模で挑戦的なデータセットを導入する。 本稿では,元のグラフ情報をより包括的に表現できるマルチグラフ構造を提案する。
  論文  参考訳（メタデータ） (2020-04-30T14:16:19Z)
• Exploiting Structured Knowledge in Text via Graph-Guided Representation Learning [73.0598186896953]
  本稿では、知識グラフからのガイダンスを用いて、生テキスト上で学習する2つの自己教師型タスクを提案する。 エンティティレベルのマスキング言語モデルに基づいて、最初のコントリビューションはエンティティマスキングスキームです。 既存のパラダイムとは対照的に,本手法では事前学習時にのみ,知識グラフを暗黙的に使用する。
  論文  参考訳（メタデータ） (2020-04-29T14:22:42Z)

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。