論文の概要: Applying Relation Extraction and Graph Matching to Answering Multiple Choice Questions
- arxiv url: http://arxiv.org/abs/2511.14144v1
- Date: Tue, 18 Nov 2025 05:03:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-19 16:23:52.946977
- Title: Applying Relation Extraction and Graph Matching to Answering Multiple Choice Questions
- Title（参考訳）: 複数質問に対する関係抽出とグラフマッチングの適用
- Authors: Naoki Shimoda, Akihiro Yamamoto,
- Abstract要約: 知識グラフ(きゅうグラフ、英: knowledge graph)は、実体と関係からなる事実知識の構造化された表現である。
近年,変換器を用いた関係抽出法(RE)が開発され,KGを動的に生成できるようになった。
本稿では,マルチチョイス質問(MCQ)を「補充する」形式で答える手法を提案する。
- 参考スコア（独自算出の注目度）: 0.5156484100374058
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this research, we combine Transformer-based relation extraction with matching of knowledge graphs (KGs) and apply them to answering multiple-choice questions (MCQs) while maintaining the traceability of the output process. KGs are structured representations of factual knowledge consisting of entities and relations. Due to the high construction cost, they had been regarded as static databases with validated links. However, the recent development of Transformer-based relation extraction (RE) methods has enabled us to generate KGs dynamically by giving them natural language texts, and thereby opened the possibility for representing the meaning of the input sentences with the created KGs. Using this effect, we propose a method that answers MCQs in the "fill-in-the-blank" format, taking care of the point that RE methods generate KGs that represent false information if provided with factually incorrect texts. We measure the truthfulness of each question sentence by (i) converting the sentence into a relational graph using an RE method and (ii) verifying it against factually correct KGs under the closed-world assumption. The experimental results demonstrate that our method correctly answers up to around 70% of the questions, while providing traceability of the procedure. We also highlight that the question category has a vast influence on the accuracy.
- Abstract（参考訳）: 本研究では,トランスフォーマーに基づく関係抽出と知識グラフ(KGs)のマッチングを組み合わせることで,出力プロセスのトレーサビリティを維持しつつ,複数の質問(MCQs)に答える。
KGは実体と関係からなる事実知識の構造化された表現である。
建設コストが高いため、検証されたリンクを持つ静的データベースと見なされていた。
しかし,近年の Transformer-based Relation extract (RE) 法により,自然言語テキストを付与することでKGを動的に生成できるようになり,生成したKGで入力文の意味を表現することが可能になった。
この効果を用いて,RE手法が偽情報を表すKGを生成する点を考慮し,MCQを「補充する」形式で回答する手法を提案する。
私たちは各質問文の真偽を計測する
(i)RE法を用いて文を関係グラフに変換し、
(2)クローズドワールド仮定の下で、実際正しいKGに対して検証する。
実験結果から,提案手法は解答の約70%を正解し,解答のトレーサビリティが得られた。
また,質問カテゴリーが精度に大きな影響を与えることも強調した。
関連論文リスト
- Harnessing Large Language Models for Knowledge Graph Question Answering via Adaptive Multi-Aspect Retrieval-Augmentation [81.18701211912779]
本稿では,KG(Amar)フレームワーク上での適応型マルチアスペクト検索手法を提案する。
この方法は、エンティティ、リレーション、サブグラフを含む知識を検索し、検索した各テキストを即時埋め込みに変換する。
提案手法は2つの共通データセットに対して最先端の性能を達成した。
論文 参考訳（メタデータ） (2024-12-24T16:38:04Z) - HOLMES: Hyper-Relational Knowledge Graphs for Multi-hop Question Answering using LLMs [9.559336828884808]
大規模言語モデル(LLM)は、単純な(シングルホップ)質問に答えるには適しています。
質問の複雑さが増すにつれて、LLMの性能は低下する。
最近の手法では、構造化知識三重項を原文に組み込むことで、この負担を軽減しようとしている。
本稿では,知識グラフ(KG)を用いてコンテキスト認識し,クエリ関連情報を含むように蒸留する手法を提案する。
論文 参考訳（メタデータ） (2024-06-10T05:22:49Z) - Learning Federated Neural Graph Databases for Answering Complex Queries from Distributed Knowledge Graphs [53.03085605769093]
我々は、マルチソースグラフデータに対するプライバシ保護推論を促進する先駆的な体系的フレームワークであるFederated Neural Graph DataBase(FedNGDB)を学習することを提案する。
FedNGDBは、フェデレートされた学習を活用して、複数のソースにわたるグラフ表現を協調的に学習し、エンティティ間の関係を強化し、グラフデータの全体的な品質を改善する。
論文 参考訳（メタデータ） (2024-02-22T14:57:44Z) - 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) - Relation-Aware Language-Graph Transformer for Question Answering [21.244992938222246]
本稿では,言語とグラフを関連づける質問応答変換器(QAT, Question Answering Transformer)を提案する。
具体的には、QATはメタパストークンを構築し、多様な構造的および意味的関係に基づいて関係中心の埋め込みを学習する。
我々は,CommonsenseQA や OpenBookQA などの常識質問応答データセットと,医療質問応答データセット MedQA-USMLE について,QAT の有効性を検証する。
論文 参考訳（メタデータ） (2022-12-02T05:10:10Z) - DecAF: Joint Decoding of Answers and Logical Forms for Question
Answering over Knowledge Bases [81.19499764899359]
本稿では,論理形式と直解の両方を共同で生成する新しいフレームワークDecAFを提案する。
DecAFはWebQSP、FreebaseQA、GrailQAベンチマークで新しい最先端の精度を実現している。
論文 参考訳（メタデータ） (2022-09-30T19:51:52Z) - UNIQORN: Unified Question Answering over RDF Knowledge Graphs and Natural Language Text [20.1784368017206]
知識グラフのようなRDFデータに対する質問応答は大幅に進歩している。
IRとNLPのコミュニティはテキストによるQAに対処してきたが、そのようなシステムは意味データや知識をほとんど利用していない。
本稿では,RDFデータセットとテキストコーパスを併用した複雑な質問をシームレスに操作する手法を提案する。
論文 参考訳（メタデータ） (2021-08-19T10:50:52Z) - Connecting the Dots: A Knowledgeable Path Generator for Commonsense
Question Answering [50.72473345911147]
本稿では、一般的な共通センスQAフレームワークを、知識のあるパスジェネレータで拡張する。
KGの既存のパスを最先端の言語モデルで外挿することで、ジェネレータはテキスト内のエンティティのペアを動的で、潜在的に新しいマルチホップリレーショナルパスに接続することを学びます。
論文 参考訳（メタデータ） (2020-05-02T03:53:21Z)
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。