![](https://img-blog.csdnimg.cn/20201014180756922.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
知识库问答
文章平均质量分 94
StriveQueen
这个作者很懒,什么都没留下…
展开
-
论文阅读笔记(8)——《Learning Representation Mapping for Relation Detection in KBQA》
Abstract1 Introduction2 Representation Adapter2.1 Motivation2.2 Basic AdapterPseudo Target RepresentationsLinear Mapping2.3 Adversarial Adapter2.4 Reconstruction Loss3 Relation Detection with the AdapterFrameworkAdapting the Relation RepresentationTrainin.原创 2021-01-25 19:27:35 · 863 阅读 · 1 评论 -
论文阅读笔记(7)——《Improved Neural Relation Detection for Knowledge Base Question Answering》
Abstract1 Introduction2 Related WorkRelation ExtractionRelation Detection in KBQA Systems3 Background: Different Granularity in KB Relations(1) Relation Name as a Single Token (relation-level)(2) Relation as Word Sequence (word-level)4 Improved KB Relatio.原创 2021-01-17 17:01:55 · 480 阅读 · 0 评论 -
知识库问答KB-QA——非结构化知识篇
参考文献揭开知识库问答KB-QA的面纱8·非结构化知识篇原创 2020-11-19 14:50:28 · 1003 阅读 · 0 评论 -
知识库问答KB-QA——深度学习(4)(注意力机制)
引入注意力机制的KB-QA深度学习篇小结引入注意力机制的KB-QA文章Question Answering over Knowledge Base with Neural Attention Combining Global Knowledge Information由中科院自动化所刘康老师等人在2016年发表在arxiv上。该文章也是使用深度学习对向量建模方法进行提升,不同于之前使用CNN提取问句特征,而该文章使用双向LSTM并结合问题引入注意力机制提取问句特征,在WebQuestion上取得了4.原创 2020-11-11 19:45:49 · 705 阅读 · 0 评论 -
知识库问答KB-QA——深度学习(3)(记忆网络)
参考文献揭开知识库问答KB-QA的面纱7·深度学习下篇(一)原创 2020-11-11 16:41:55 · 535 阅读 · 0 评论 -
知识库问答KB-QA——简介
一、知识库把大量的知识汇聚起来就成为了知识库。我们可以在wiki百科,百度百科等百科全书查阅到大量的知识。然而这些百科全书的知识组建形式是非结构化的自然语言,为方便计算机的处理和理解,我们需要更加形式化、简洁化的方式去表示知识,那就是三元组(triple)(实体entity,实体关系relation,实体entity),若把实体看作是结点,把实体关系(包括属性,类别等等)看作是一条边,那么包含了大量三元组的知识库就成为了一个庞大的知识图。知识库分为两种类型:以Freebase,Yago2为代表的Cu原创 2020-10-29 19:04:12 · 752 阅读 · 0 评论 -
知识库问答KB-QA——语义解析
一、语义解析语义解析KB-QA的思路是通过对自然语言进行语义上的分析,转化成为一种能够让知识库“看懂”的语义表示,进而通过知识库中的知识,进行推理(Inference)查询(Query),得出最终的答案。简而言之,语义解析要做的事情,就是将自然语言的问题,转化为一种能够让知识库“看懂”的语义表示,这种语义表示即逻辑形式(Logic Form)。二、逻辑形式为了能够对知识库进行查询,我们需要一种能够“访问”知识库的逻辑语言,Lambda Dependency-Based Compositional S原创 2020-10-29 21:00:16 · 1361 阅读 · 0 评论 -
知识库问答KB-QA——信息抽取
以一个该方法的经典代表作为例,该方法来自约翰·霍普金斯大学Yao X, Van Durme B.的 Information Extraction over Structured Data: Question Answering with Freebase(文章发表于2014年的ACL会议)。该类方法通过提取问题中的实体,通过在知识库中查询该实体可以得到以该实体节点为中心的知识库子图,子图中的每一个节点或边都可以作为候选答案。通过观察问题,依据某些规则或模板进行信息抽取,得到表征问题和候选答案特征的特征向.原创 2020-10-31 20:19:27 · 874 阅读 · 2 评论 -
知识库问答KB-QA——向量建模
向量建模的核心思想如何用分布式表达表示答案和问题问题的分布式表达答案的分布式表达向量得分如何训练分布式表达论文实验与总结以一个向量建模(Vector Modeling)方法的经典代表作为例,该方法来自Facebook公司Bordes A, Chopra S, Weston J的论文 Question answering with subgraph embeddings(文章发表于2014年的EMNLP会议)。向量建模的核心思想向量建模方法的思想和信息抽取的思想比较接近。首先根据问题中的主题词在知.原创 2020-11-01 19:17:41 · 699 阅读 · 3 评论 -
知识库问答KB-QA——深度学习(1)
向量建模方法的再思考Multi-Column卷积神经网络实验分析与总结本文将介绍一篇利用深度学习对该向量建模方法进行提升的论文,来自北京航空航天大学和Microsoft研究院的 Question Answering over Freebase with Multi-Column Convolutional Neural Networks(文章发表于2015年的ACL会议)。该文章使用了卷积神经网络的一种变体(作者称为multi-column)从三个方面(答案路径Answer Path,答案上下文信息.原创 2020-11-02 21:30:02 · 374 阅读 · 2 评论 -
知识库问答KB-QA——深度学习(2)
参考文献揭开知识库问答KB-QA的面纱6·深度学习中篇原创 2020-11-04 14:42:49 · 827 阅读 · 0 评论