Strong Baselines for Simple Question Answering over Knowledge Graphs with and without Neural Network

最新推荐文章于 2022-09-23 23:45:16 发布
最新推荐文章于 2022-09-23 23:45:16 发布
阅读量560 收藏 1
点赞数
分类专栏： 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jiangzhenkang/article/details/86064010
版权
该博客探讨了在知识图谱问答任务中，使用简单神经网络与非神经网络方法的效果。文章指出，即使不依赖深度学习，也能实现不错的表现。作者提出将问答拆分为实体识别、实体链接、关系预测和证据整合四个步骤，并分享了实验结果，发现CNN在关系预测中表现最佳，BILSTM + BIGRU组合在整体上很有效。结论强调了深入研究简单强大基线的重要性，而非一味追求深度学习。
摘要由CSDN通过智能技术生成

标签（空格分隔）： 自然语言处理

简介

  • 在简单的神经网络上就能达到较好的效果
  • 即使不用神经网络，也能达到较好的效果

相关工作

  • 一开始的时候人们会把简单问句简化成一个结构化的问句
  • 最近的一个数据集已经成为了知识图谱上的问答基线
  • 本文并不认为人们已经充分探索了baseline

方法论

实体识别

  • 只用到了双向LSTM和GRU+词向量
  • 没有加CRF
  • 还采用了只用CRF的方法（没有加神父学习）

实体链接

  • 没有用神经网络，用模糊字符串匹配
  • 用到了ngram的倒排索引

关系预测

  • 将关系预测归类为分类问题
  • RNN
  • CNN
  • logistic regression

证据整合

实验与结果

  • 每部分分开做的

  • 实体识别

    • BILSTM 93.1
    • CRF 90.2
      • <
最低0.47元/天 解锁文章
jiangzhenkang
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
【PaperReading】Knowledge Graph Embedding Based Question Answering
小哲的博客
05-03 3113
Knowledge Graph Embedding Based Question Answering Xiao Huang, Jingyuan Zhang, Dingcheng Li, Ping Li 基于问答的知识图谱嵌入 Abstract Question answering over knowledge graph(QA-KG) aimstouse facts in the knowledg...
The More You Know: Using Knowledge Graphs for Image Classification 论文总结
Jay_Tang的博客
09-02 2781
文章目录往期文章链接目录OverviewIntuitionPrevious WorkMajor ContributionGraph Search Neural Network (GSNN)GSNN ExplanationThree networksDiagram visualizationAdvantageIncorporate the graph network into an image pipelineDatasetConclusion往期文章链接目录 往期文章链接目录 Overview This p
# Strong Baselines for Simple Question Answering over Knowledge Graphs with and without Neural Netwo
jiangzhenkang的博客
12-18 675
# Strong Baselines for Simple Question Answering over Knowledge Graphs with and without Neural Networks 标签（空格分隔）： 自然语言处理 简介 在简单的神经网络上就能达到较好的效果 即使不用神经网络，也能达到较好的效果 相关工作 一开始的时候人们会把简单问句简化成一个结构化的问句 最近的...
A Simple and Effective IR Approach to Simple Question Answering over Knowledge Graphs  论文解读
GrinAndBearIt的博客
09-20 694
Retrieve and Re-rank: A Simple and Effective IR Approach to Simple Question Answering over Knowledge Graphs 论文解读 本篇论文是18年的EMNLP的一篇paper主要用在kbqa领域，本文章首先介绍他的详细步骤，最后再介绍该文章的创新点 一、详细步骤 1. Solr + BM2...
Strong Baselines for Neural Semi-supervised Learning under Domain Shift半监督学习
Adupanfei的博客
10-07 1132
2018 ACL 论文 Strong Baselines for Neural Semi-supervised Learning under Domain Shift 不同数据集的迁移学习 MT-Tri方法在情感分析上（无监督域适应）超过DANN方法 半监督学习结合了监督学习和无监督学习方法，能在有标签但标签不完整的数据中使用机器学习算法。本文重点介绍半监督学习算法中特殊算法，它们能在未标记数据...
Show, Ask, Attend, and Answer: A Strong Baseline For Visual Question Answering论文阅读
不死谷神的博客
08-14 1578
文章目录摘要介绍MehtodQuestion embeddingStacked attention 摘要 本文主要的研究内容是VQA,视觉问题回答，就是输入一张图片和一个问题，让计算机针对图片的内容进行一个回答。本文是要作为一个baseline，所提出的方法相对比较简单，参数较少，但效果不错。 我对这个领域也是接触不多，主要是为了拓宽对于视觉研究内容的理解，所以对这篇文章的阅读进行一些记录。 介绍...
A Strong Baseline and Batch Normalization Neck for Deep Person Re-identification（论文笔记）（2019CVPR）
sinat_41942180的博客
07-11 2977
论文链接：《A Strong Baseline and Batch Normalization Neck for Deep Person Re-identification》 Abstract 本研究提出了一个简单而有力的深层人再识别(ReID)baseline。Deep person ReID近年来取得了很大的进步和高性能。然而，许多先进的方法设计复杂的网络结构和连接多分支的特点。在文献中，一些有效的训练技巧简要地出现在几篇论文或源代码中。本研究收集并评估了这些有效的训练技巧。通过结合这些技巧..
KGQA知识图谱问答资料整理（持续更新...）
BshoterJ的博客
10-24 5980
Awesome-knowledge-graph-question-answering 整理了部分论文、开源项目、博客、论坛工具、评测比赛，后续会补全已看论文的关键点，跟进新的资料。Github仓库：https://github.com/BshoterJ/awesome-knowledge-graph-question-answering Papers Some papers I have read...
Strong Baselines for Neural Semi-supervised Learning under Domain Shift
zj71hmvx的博客
03-04 683
Strong Baselines for Neural Semi-supervised Learning under Domain Shift 第六周阅读材料 在领域转移方面出现了新颖的神经网络，但是许多网络的评估方式是很弱的？很糟糕的 于是这个文章评估了经典的 bootstrappping 方法 并提供了一种新评估方式：multi-task tri-training（多重任务三次训练）是一种比传统三次训练方式更节省空间和时间的方法. 虽然他们的新方法技术先进但是表现得不太好，然后结论是经典的tri-tra
李宏毅机器学习 hw8 strong baseline 解析
qq_43613342的博客
09-23 1937
李宏毅机器学习 hw8 strong baseline
论文阅读笔记 | 《Constraint-Based Question Answering with Knowledge Graph》
Firmiana1220的博客
12-20 2449
1. 主要内容 在KBQA（基于知识库的问答）的基础上，由于其他问答系统都是回答简单问题，本文提出一种方法可以回答复杂问题（多个限制下的问题），并且提供一个数据集，名为ComplexQuestion，以此评测回答复杂问题的KBQA系统性能。 2个被用作benchmark的数据集：WebQuestions，SimpleQuestions. 多限制问题可以分为六种：多实体限制；答案类型限制；明确...
NAACL 2018 ACCEPTED PAPER
AI小白入门的博客
10-02 7703
COLING 2018 接受论文列表地https://naacl2018.wordpress.com/2018/03/02/list-of-accepted-papers/ 详细如下： A BI-MODEL BASED RNN SEMANTIC FRAME PARSING MODEL FOR INTENT DETECTION AND SLOT FILLING Yu Wang, Yilin Shen...
KBQA相关论文分类整理
Kaiyuan_sjtu的博客
07-08 1099
© 作者｜蒋锦昊 机构｜中国人民大学高瓴人工智能学院直博生导师｜赵鑫教授研究方向 | 知识推理和问答系统1.引言基于知识图谱的问答系统（Knowledge Based ...
总结
skicth的博客
07-31 359
复杂问题 Knowledge Base Question Answering via Encoding of Complex Query Graphs https://blog.csdn.net/qq_28404829/article/details/90203429 SP+NN方向，提出了一种基于神经网络的方法来提高语义相似度度量在复杂问题回答中的性能，利用依赖解析丰富NN中的问题表达，使用了词嵌入。 把问题和预测序列都压缩成通用的向量空间，通过余玄函数计算相似度。为了计算一个问题与一个复杂的查.
关于baselines示例程序train_cartpole.py的ImportError
微念的博客
03-14 1670
问题导出 &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;为了更方便地实现自己的一些想法，我最终还是向OpenAI的baselines屈服了，因为自己的一些实现总是难与各大论文给出的结果进行对比。于是我今天安装了baselines，其中还是有一些坑的，这里主要介绍在安装完成之后，运行示例时cartpole.py所遇到的坑，它叫做ImportError。 ...
只有VOB文件也可以制作成DVD——用IfoEdit建立IFO篇（最好的方法）
weixin_34306593的博客
06-14 1057
有时候下载的dvd只有vob文件，或者是碟片有问题又只可以把vob拷贝下来，这时很多人不知道怎么把这些vob文件在保持原有音轨和字幕的情况下制作成dvd,我有过经验，觉得可以写出来让大家看看。遇到同样问题免得走弯路。 首先把需要建立IFO的VOB文件放到一个文件夹，确认其中的VOB文件名称是正常DVD中一样的。就是符合VTS_**_*.vob 规则！不清楚打开任何一部DVD的VIDE...
【论文阅读】Improving Multi-hop Question Answering over Knowledge Graphs using Knowledge Base Embeddings
qq_39466623的博客
10-19 1751
论文来源：ACL2020
EduSoho安装后上传视频失败，需要修改上传限制
威小胖的博客
03-26 2917
修改php.ini文件的以下参数： post_max_size = 1024M upload_max_filesize = 1024M memory_limit = 1024M max_excution_time = 300
simple baselines图像去模糊
最新发布
05-11
Simple Baselines是一种基于深度学习的图像去模糊算法。它是一种单模型端到端的方法，可以从模糊图像中恢复出清晰的图像。该算法的核心是使用了一种名为“反卷积”的操作来恢复图像的细节。 在实际应用中，Simple ...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值