論文の概要: Question-guided Knowledge Graph Re-scoring and Injection for Knowledge Graph Question Answering

• arxiv url: http://arxiv.org/abs/2410.01401v1
• Date: Wed, 2 Oct 2024 10:27:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-04 21:19:25.811029
• Title: Question-guided Knowledge Graph Re-scoring and Injection for Knowledge Graph Question Answering
• Title（参考訳）: 知識グラフ質問応答のための質問ガイド付き知識グラフ再構成とインジェクション
• Authors: Yu Zhang, Kehai Chen, Xuefeng Bai, zhao kang, Quanjiang Guo, Min Zhang,
• Abstract要約: KGQAは知識グラフに格納された構造化情報を活用することで自然言語の質問に答える。 本稿では,Q-KGR(Q-Guided Knowledge Graph Re-scoring method)を提案する。 また,大規模言語モデルに再認識された知識グラフを注入するパラメータ効率の高い手法であるKnowformerを導入し,事実推論を行う能力を高める。
• 参考スコア（独自算出の注目度）: 27.414670144354453
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graph question answering (KGQA) involves answering natural language questions by leveraging structured information stored in a knowledge graph. Typically, KGQA initially retrieve a targeted subgraph from a large-scale knowledge graph, which serves as the basis for reasoning models to address queries. However, the retrieved subgraph inevitably brings distraction information for knowledge utilization, impeding the model's ability to perform accurate reasoning. To address this issue, we propose a Question-guided Knowledge Graph Re-scoring method (Q-KGR) to eliminate noisy pathways for the input question, thereby focusing specifically on pertinent factual knowledge. Moreover, we introduce Knowformer, a parameter-efficient method for injecting the re-scored knowledge graph into large language models to enhance their ability to perform factual reasoning. Extensive experiments on multiple KGQA benchmarks demonstrate the superiority of our method over existing systems.
• Abstract（参考訳）: 知識グラフ質問応答(KGQA)は、知識グラフに格納された構造化情報を活用することで、自然言語の質問に答える。 典型的には、KGQAは最初、大規模知識グラフから対象のサブグラフを検索するが、これはクエリに対処する推論モデルの基礎となる。 しかし、抽出されたサブグラフは、必然的に知識利用の邪魔となる情報をもたらし、モデルが正確な推論を行う能力を阻害する。 この問題に対処するために,質問ガイド付き知識グラフ再構成手法(Q-KGR)を提案する。 さらに,大規模言語モデルに再認識された知識グラフを注入するパラメータ効率の高い手法であるKnowformerを導入し,事実推論を行う能力を高める。 複数のKGQAベンチマークに対する大規模な実験は、既存のシステムよりも提案手法が優れていることを示す。

関連論文リスト

• FusionMind -- Improving question and answering with external context fusion [0.0]
  事前学習言語モデル(LM)と知識グラフ(KG)を用いて,文脈知識が質問応答目標(QA)に与える影響を検討した。 知識事実のコンテキストを取り入れることで、パフォーマンスが大幅に向上することがわかった。 このことは、文脈的知識事実の統合が、質問応答のパフォーマンスを高める上でより影響があることを示唆している。
  論文  参考訳（メタデータ） (2023-12-31T03:51:31Z)
• Open-Set Knowledge-Based Visual Question Answering with Inference Paths [79.55742631375063]
  知識に基づく視覚的質問回答(KB-VQA)の目的は、外部知識ベースの助けを借りて質問に対する正しい回答を提供することである。 KB-VQA, Graph pATH ranker (GATHER for brevity) の新しいレトリバーランカパラダイムを提案する。 具体的には、グラフの構築、プルーニング、パスレベルのランク付けが含まれており、正確な回答を検索するだけでなく、推論パスを提供して推論プロセスを説明する。
  論文  参考訳（メタデータ） (2023-10-12T09:12:50Z)
• Large Language Models Meet Knowledge Graphs to Answer Factoid Questions [57.47634017738877]
  本稿では,知識グラフから追加情報に富んだ事前学習されたテキスト・テキスト言語モデルを探索する手法を提案する。 抽出した部分グラフの線形化によりトランスフォーマーモデルで容易に情報を得る。 抽出された情報で回答候補を最終ランク付けすると、事前訓練されたテキスト-テキスト言語モデルのHits@1スコアが4-6%向上する。
  論文  参考訳（メタデータ） (2023-10-03T15:57:00Z)
• A Unified End-to-End Retriever-Reader Framework for Knowledge-based VQA [67.75989848202343]
  本稿では,知識に基づくVQAに向けて,エンド・ツー・エンドのレトリバー・リーダー・フレームワークを提案する。 我々は、視覚言語による事前学習モデルからの多モーダルな暗黙の知識に光を当て、知識推論の可能性を掘り下げた。 提案手法では,知識検索のガイダンスを提供するだけでなく,質問応答に対してエラーが発生しやすいケースも排除できる。
  論文  参考訳（メタデータ） (2022-06-30T02:35:04Z)
• Dynamic Key-value Memory Enhanced Multi-step Graph Reasoning for Knowledge-based Visual Question Answering [18.926582410644375]
  知識に基づく視覚的質問応答(VQA)は、エージェントが画像関連の質問に正しく答えることを必要とする視覚言語タスクである。 動的知識メモリ強化多段階グラフ推論(DMMGR)という新しいモデルを提案する。 我々のモデルはKRVQRとFVQAデータセット上で新しい最先端の精度を実現する。
  論文  参考訳（メタデータ） (2022-03-06T15:19:39Z)
• Towards Loosely-Coupling Knowledge Graph Embeddings and Ontology-based Reasoning [15.703028753526022]
  我々は、知識グラフの埋め込みにおけるデータ駆動力と、専門家や包摂体制から生じるドメイン固有の推論(OWL2)とを緩やかに結合することを提案する。 最初の結果から,バニラ知識グラフ埋め込みのMRR精度を最大3倍に向上し,知識グラフ埋め込みとルールマイニング,最大3.5倍MRRの推論を組み合わせたハイブリッドソリューションより優れていた。
  論文  参考訳（メタデータ） (2022-02-07T14:01:49Z)
• An Intelligent Question Answering System based on Power Knowledge Graph [4.424381928034146]
  本稿では、電力の巨大異種データからグラフデータベースとグラフコンピューティング技術を用いて、ドメイン知識グラフを紹介する。 その後、電力知識グラフに基づくIQAシステムを提案し、自然尋問の意図と制約を抽出した。 提案した研究は、文脈対応のインテリジェントな質問と回答の基盤を提供することもできる。
  論文  参考訳（メタデータ） (2021-06-16T17:57:51Z)
• 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)
• KRISP: Integrating Implicit and Symbolic Knowledge for Open-Domain Knowledge-Based VQA [107.7091094498848]
  VQAの最も難しい質問の1つは、質問に答えるために画像に存在しない外部の知識を必要とする場合です。 本研究では,解答に必要な知識が与えられたり記入されたりしないオープンドメイン知識を,トレーニング時やテスト時にも検討する。 知識表現と推論には2つのタイプがあります。 まず、トランスベースのモデルで教師なし言語事前トレーニングと教師付きトレーニングデータから効果的に学ぶことができる暗黙的な知識。
  論文  参考訳（メタデータ） (2020-12-20T20:13:02Z)
• Knowledge-Routed Visual Question Reasoning: Challenges for Deep Representation Embedding [140.5911760063681]
  VQAモデル評価のためのナレッジルーティング視覚質問推論という新しいデータセットを提案する。 視覚ゲノムシーングラフと外部知識ベースの両方に基づいて,制御プログラムを用いて質問応答対を生成する。
  論文  参考訳（メタデータ） (2020-12-14T00:33:44Z)

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。