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询图的相似度,一个直观的解决方案是把查询图分割成多个语意部分,这样原先的方法变成计算问题与查询图的每个部分的相似度。给定一个问题产生的候选查询图,我们的模型把问题与预测学列压缩进一个统一的向量空间。我们的方法与已存在的方法主要的区别是
我们集成语意部件的隐藏变量与部件间的交互信息作为整个查询图的隐藏语意。
另外,为了应对查询图的不同语意部件,我们利用依存分析信息作为问题语意编码信息的补充,这使得模型能够更好地对齐每个句子组成部分。
Difficulty-controllable Multi-hop Question Generation From Knowledge Graphs
提出了一种基于端到端神经网络的自动生成复杂多跳问题的方法,基于Transformer架构,估计给定子问题的难度水平,生成不同难度水平的问题。它将一个子图视为一个图,而不是任意将其线性化为一个三元组序列,属于编码器-解码器的方法
TEQUILA: Temporal Question Answering over Knowledge Bases https://zhuanlan.zhihu.com/p/59775064
提出了一个专门解决问题中时间问题的系统TEQUILA,它通过检测是否有特殊词来判断一个问题是否具有时态问题,分解问题并重写子问题,检索子问题的候选答案(使用QUINT和AQQU),最后进行时间推理,将前一阶段的结果合并调和为最终答案
Answering Questions with Complex Semantic Constraints on Open Knowledge Bases
本文提出了一种基于nOKB的新型KBQA系统TAQA,问题解析部分使用依赖解析,答案抽取部分基于队列,亮点在于扩展三元组到n元组
Message Passing for Complex Question Answering over Knowledge Graphs
https://blog.csdn.net/misite_J/article/details/104246653
提出了基于无监督消息传递的算法QAmp,使用文本相似性和图结构进行有效推理,特别关注问题解释和关系推理,亮点是对问句模式的定义和消息过程中的矩阵代数运算
运用置信分数在图结构上定位答案实体,一系列稀疏矩阵乘法在LC-QUAD上SOTA,问题解析分两步:解析是将问题类型视为一个多分类问题,n跳视为序列标注问题
在子图中执行信息传递以更新候选答案实体(子图中未含于E,CE,CE,C的实体)的置信度得分,即根据相邻实体URI和关系URI的置信度计算答案实体置信度。该算法是本文的核心,更新过程包括三步:关系更新、实体更新、置信度分数汇总。算法公式抽象难懂,可结合作者论文中的例子学习。
基础方法
Automated Template Generation for Question Answering over Knowledge Graphs
提出了QUINT,一个只从问题和对应答案数据集中自动学习语句-查询模板的系统,它首先用NER/NED
系统识别和消岐语句中的实体,QUINT从在KG中找到的包含每个答案和上述实体的最小子图生成查询,保留F1最高的查询。接着QUINT为每个查询中的答案变量节点连接原来答案的每一个类型约束,将查询中的实体跟语句中的唤起词用边连接,用ILP删除有歧义和多余的边同时增加语义对齐注释,最后将这个子图中的复合名词替换为名词标注用pos标注实现泛化,形成模板。
Formal Query Generation for Question Answering over Knowledge Bases
提出了SPARQL查询生成器,一种模块化的查询生成器,采用基于Tree-LSTM的候选查询排序机制
Pretrained Transformers for Simple Question Answering over Knowledge Graphs
研究了一种基于transformer的方法同时完成实体跨度检测和关系预测,将前者看成一个一个分类问题,用两个分类器头预测实体跨度的开始和结束位置,后者被认为是一个序列分类任务,在序列分类设置中使用BERT
实体范围预测,关系预测
EARL: Joint Entity and Relation Linking for Question Answering over Knowledge Graphs
提出一种联合实体与关系链接框架,使用两种策略,分别基于广义旅行商问题和基于连接密度的机器学习方法
其他
Complex Sequential Question Answering: Towards Learning to Converse Over Linked Question Answer Pairs with a Knowledge Graph
提出了一个基于Wikidata的复杂多轮问题问答数据集(200k dialogs,1.3M turns)Complex Sequential Question Answering (CSQA)包括简单问题,复杂问题,数量推理等
语义解析、语义表示、语义匹配查询推理