Translating Place-Related Questions to GeoSPARQL Queries
许多与地点相关的问题只能通过复杂的空间推理来回答,而事实性问题检索对这一任务的支持很差。在链接的数据知识库中,结合与地点有关的问题的空间和非空间标准进行这种推理的可能性越来越大。然而,为了实现基于链接的知识库的问答,自然语言问题必须首先被重新制定为正式的查询。在这里,我们首先提出了一个增强版本的YAGO2geo,地理空间启用的YAGO2知识库的变体,通过链接和添加超过一百万个地方从OpenStreetMap数据到YAGO2。然后,我们提出了一种新的方法来翻译的地方相关的问题,逻辑表示,理论上扎根于空间信息的核心概念。接下来,我们使用一个动态的基于模板的方法来生成完全可执行的GeoSPARQL查询的逻辑表示。我们使用地理空间黄金标准数据集来测试我们的方法,并报告了对现有方法的实质性改进。
2022-05-06 cs.IR
ChatGPT versus Traditional Question Answering for Knowledge Graphs: Current Status and Future Directions Towards Knowledge Graph Chatbots
Concordia University(康考迪亚大学);KAUST(阿卜杜拉国王科技大学)
用于知识图谱(KG)的会话人工智能和问答系统(QAS)都是新兴的研究领域:它们为用户提供自然语言界面,以便轻松有效地提取信息。对话式人工智能模拟与人类的对话;然而,它受到训练数据集中捕获的数据的限制。相比之下,QAS通过理解自然语言问题并将其转换为数据库引擎支持的正式查询来从KG中检索最新的信息。在本文中,我们提出了一个全面的研究现有的替代品的特点,以结合两个世界到新的KG聊天机器人。我们的框架比较了两个代表性的会话模型,ChatGPT和卡拉狄加,对KGQAN,目前最先进的QAS。我们进行了全面的评估,使用四个真正的KG在不同的应用领域,以确定目前的限制,每一类系统。根据我们的研究结果,我们提出了开放的研究机会,为KGs的聊天机器人功能赋予QAS。所有基准和所有原始结果可供进一步分析。
2023-02-08 cs.AI cs.CL cs.IR
Pre-training Cross-lingual Open Domain Question Answering with Large-scale Synthetic Supervision
School of Computing and Information Systems(计算与信息系统学院);The University of Melbourne(墨尔本大学);Google DeepMind(谷歌DeepMind)
提出 CLASS 自监督方法,利用 Wikipedia 跨语言链接构造检索与问答监督信号,以单一编码器-解码器模型完成 CLQA,并在有监督和零样本设置下超越含机器翻译的对比方法。
2024-10-02 cs.CL cs.IR
Optimizing Retrieval-Augmented Generation with Elasticsearch for Enhanced Question-Answering Systems
本文提出 ES-RAG 方案,将 Elasticsearch 集成到 RAG 框架中,在 SQuAD 2.0 上相比 TF-IDF-RAG 准确率提升 0.51 个百分点,并展现出更优的检索效率与复杂查询处理能力。
2024-10-18 cs.IR
Using the Hammer Only on Nails: A Hybrid Method for Evidence Retrieval for Question Answering
证据检索是可解释性问答系统的关键组成部分。我们认为,尽管最近的进展,Transformer网络为基础的方法,如通用句子编码器(USE-QA)并不总是优于传统的信息检索(IR)方法,如BM 25证据检索QA。我们引入了一个词汇探测任务,验证了这一观察结果:我们表明,神经IR方法有能力捕捉问题和答案之间的词汇差异,但错过了明显的词汇重叠信号。从这个探测分析学习,我们引入了一个混合的证据检索方法,结合了两个IR方向的优势。我们的方法使用了一个路由分类器,该分类器可以学习何时将传入的问题引导到BM 25与USE-QA,以便使用非常简单的统计数据进行证据检索,这些统计数据可以从BM 25模型产生的顶级候选证据句子中有效地提取。我们证明了这种混合证据检索通常比三个QA数据集:OpenBookQA,ReQA SQuAD和ReQA NQ的单独检索策略更好。此外,我们表明,所提出的路由策略比神经方法快得多,运行时间比USE-QA快5倍。
2020-09-22 cs.IR
Pathways of Thoughts: Multi-Directional Thinking for Long-form Personalized Question Answering
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Google DeepMind(谷歌DeepMind);University of Michigan(密歇根大学)
本文提出PoT方法,通过多方向思考生成个性化问答响应,实验证明其在长文本问答任务中表现优异。
2026-01-21 cs.AI cs.CL cs.IR
Adaptive Retrieval Strategies for Biomedical Question Answering
insilicom(因赛力姆)
研究生物医学问答中不同问题类型的有效检索策略,提出自适应检索框架,依问题类型选检索和证据聚合策略,结合多种技术,经实验验证该策略能提升证据相关性和答案质量,为增强相关问答系统提供有效方向。
2026-07-20 cs.IR
Retrieval-Augmented Generation with Knowledge Graphs for Customer Service Question Answering
LinkedIn Corporation(领英公司)
本文提出将知识图谱与检索增强生成相结合的客服问答方法,通过保留历史工单结构信息提升检索与回答质量,在LinkedIn部署后中位解决时间缩短28.6%。
2024-05-06 cs.AI cs.CL cs.IR
Using Large Pretrained Language Models for Answering User Queries from Product Specifications
Indian Institute of Technology Kharagpur(印度理工学院卡拉格普尔分校);Flipkart(Flipkart公司)
在从电子商务网站购买产品时,客户通常会有很多问题。从电子商务服务提供商和客户的角度来看,必须有一个有效的问答系统,以提供即时的答案,用户的查询。虽然某些问题只能在使用产品后才能回答,但有许多问题可以从产品说明书本身回答。我们的工作在这个方向上迈出了第一步,找到了相关的产品规格,这可以帮助回答用户的问题。我们提出了一种方法来自动创建这个问题的训练数据集。我们利用最近提出的XLNet和BERT架构,这个问题,发现他们提供了更好的性能比暹罗模型,以前应用于这个问题。我们的模型即使在一个垂直领域进行训练并在不同的垂直领域进行测试,也能提供良好的性能。
2020-05-29 cs.CL cs.IR
No One is Perfect: Analysing the Performance of Question Answering Components over the DBpedia Knowledge Graph
Fraunhofer IAIS(弗劳恩霍夫智能分析与信息系统研究所);University of Bonn(波恩大学);University of Minnesota(明尼苏达大学);University of Dayton(代顿大学);TIB(德国国家科技图书馆);L3S Research Centre(L3S研究中心)
在过去的五年里,由于大型知识图谱的可用性越来越高,以及问答对用户交互的重要性越来越高,知识图谱上的问答(QA)获得了巨大的发展势头。DBpedia是在此设置中最突出使用的知识图谱,并且大多数方法当前使用连接组件序列的处理步骤的管道。在这篇文章中,我们分析和微观评估了29个可用的QA组件的行为DBpedia知识图谱,自2010年以来由研究社区发布。因此,我们提供了一个集体失败的情况下,建议QA组件的特点,防止他们表现得更好,并提供未来的挑战和研究方向的领域。
2020-07-27 cs.CL cs.IR
Product Question Answering in E-Commerce: A Survey
National University of Singapore(新加坡国立大学);DAMO Academy, Alibaba Group(阿里巴巴集团达摩院);The Chinese University of Hong Kong(香港中文大学)
该综述系统梳理电商产品问答(PQA)研究,按答案形式划分四类问题设置并分析优缺点、介绍相关数据集与评估协议,总结PQA特有挑战及解决方案,同时展望未来研究方向。
2023-05-03 cs.CL cs.IR
SemEval-2015 Task 3: Answer Selection in Community Question Answering
Qatar Computing Research Institute(卡塔尔计算研究所);MIT Computer Science and Artificial Intelligence Laboratory(麻省理工学院计算机科学与人工智能实验室);Qatar Living(卡塔尔生活)
社区问答(cQA)为传统的问答(QA)领域提供了新的有趣的研究方向,例如,利用用户之间的互动和相关职位的结构。在这种情况下,我们组织了SemEval-2015任务3“cQA中的答案选择”,其中包括两个子任务:(a)将答案分类为“好”,“坏”或“潜在相关”,以及(b)基于所有答案的列表,用“是”,“否”或“不确定”回答是/否问题。我们将阿拉伯语和英语的子任务A设置在两个相对不同的cQA域上,即,卡塔尔生活网站的英语,和一个古兰经相关的阿拉伯语网站。我们在Amazon Mechanical Turk上使用众包来标记一个大型英语训练数据集,并将其发布给研究社区。13支队伍参加了挑战赛,共提交了61份材料:24份主要材料和37份对比材料。最好的系统在英语子任务A和B中获得了57.19和63.7的官方分数(宏观平均F1),在阿拉伯语子任务A中获得了78.55的分数。
2019-11-26 cs.AI cs.CL cs.IR
A Survey on Expert Recommendation in Community Question Answering
社区问答(CQA)代表了一种Web应用程序,人们可以通过提问和回答问题来交换知识。大多数现实世界的CQA系统面临的一个重大挑战是问题和潜在的好回答者之间缺乏有效的匹配,这对有效的知识获取和流通产生了不利影响。一方面,请求者可能会遇到许多低质量的答案,而不会在短时间内收到高质量的响应,另一方面,回答者可能会面临许多新的问题,而无法快速识别他们感兴趣的问题。在这种情况下,专家推荐成为解决上述问题的一种有前途的技术。专家推荐方法不是被动地等待用户浏览并找到他们感兴趣的问题,而是主动和及时地将用户的注意力提高到适当的问题。在过去几年中,从不同的角度对专家推荐问题进行了大量的努力。这些方法都有自己的问题,需要解决之前,专家推荐的优势可以完全接受。本文首先综述了CQA中专家推荐的研究成果和最新技术。接下来,我们总结和比较现有的方法,他们的优点和缺点,讨论了开放的问题和未来的研究方向。
2018-07-15 cs.IR cs.SI
FlowVQA: Mapping Multimodal Logic in Visual Question Answering with Flowcharts
Mercer Mettl(默瑟梅特尔);IGDTUW(英迪拉·甘地德里技术大学(女子));Google Research(谷歌研究院);Indian Institute of Technology Guwahati(古瓦哈蒂印度理工学院);University of Pennsylvania(宾夕法尼亚大学)
FlowVQA提出一个包含2,272张流程图和22,413个问答对的视觉问答基准,用于评估多模态语言模型在信息定位、决策和逻辑推理上的能力,并通过基线实验验证其价值。
2024-06-28 cs.CL cs.CV cs.IR
Multimedia-Aware Question Answering: A Review of Retrieval and Cross-Modal Reasoning Architectures
Carnegie Mellon University(卡内基梅隆大学);Boston University(波士顿大学)
本综述回顾了集成多媒体检索的问答系统,按检索、融合和生成策略分类,分析基准与挑战,并展望未来方向。
2025-10-23 cs.CL cs.CV cs.IR
Enabling Collaborative Parametric Knowledge Calibration for Retrieval-Augmented Vision Question Answering
University of Technology Sydney(悉尼大学);East China Normal University(华东师范大学);The Education University of Hong Kong(香港教育大学)
本文提出了一种统一的检索增强视觉问答框架,通过协作参数知识校准来充分利用KB-VQA中的跨任务协同效应,从而提升问答准确性。
2025-07-01 cs.CV cs.IR cs.MM
ClinicalTrialsHub: Bridging Registries and Literature for Comprehensive Clinical Trial Access
The Ohio State University(俄亥俄州立大学)
ClinicalTrialsHub通过整合ClinicalTrials.gov数据并自动提取PubMed文献信息,提升结构化临床试验数据访问量83.8%,为患者、医生、研究人员和政策制定者提供证据支持的医学信息。
2026-03-19 cs.AI cs.CL cs.HC