A Two-Stage Approach towards Generalization in Knowledge Base Question Answering
IBM Research(IBM研究院);UMass Amherst(马萨诸塞大学阿默斯特分校)
大多数现有的知识库问答(KBQA)的方法集中在一个特定的基础知识库,无论是因为固有的假设的方法,或因为评估它在一个不同的知识库需要不平凡的变化。然而,许多流行的知识库在其底层模式中具有相似性,可以利用这些相似性来促进跨知识库的泛化。为了实现这一概括,我们引入了一个KBQA框架的基础上,明确分离语义解析的知识库交互,促进跨数据集和知识图谱的迁移学习的2阶段架构。我们表明,在具有不同基础知识库的数据集上进行预训练仍然可以提供显着的性能增益并降低样本复杂性。我们的方法实现了LC-QuAD(DBpedia),WebQSP(Freebase),SimpleQuestions(Wikidata)和MetaQA(Wikimovies-KG)的可比或最先进的性能。
2021-11-17 cs.AI cs.CL
Towards a Knowledge Graph based Speech Interface
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)
使用人类语音作为输入的应用需要具有高识别精度的语音接口。识别的文本中的单词或短语被注释有机器可理解的含义,并链接到知识图谱,以供目标应用程序进一步处理。这些被识别的单词的语义注释可以被表示为主语-谓语-宾语三元组,其共同形成通常被称为知识图谱的图。这种类型的知识表示便于与任何口头输入应用一起使用语音接口,因为信息以逻辑、语义形式表示,可以使用任何web标准查询语言来进行检索和存储。在这项工作中,我们开发了一种将语音输入与知识图谱联系起来的方法,并研究了识别错误在整个过程中的影响。我们发现,对于低WER的语料库,DBpedia知识图谱的实体的注释和链接是相当可观的。DBpedia Spotlight是一个将文本文档与链接的开放数据进行链接的工具,用于将语音识别输出链接到DBpedia知识图谱。这种基于知识的语音识别接口对于诸如问答或口语对话系统的应用是有用的。
2017-05-23 cs.CL cs.HC
CLIFT: Analysing Natural Distribution Shift on Question Answering Models in Clinical Domain
Saama AI Research(萨马人工智能研究院)
本文提出临床领域问答任务的新测试平台CLIFT,包含7.5k样本,评估发现深度学习模型在新测试集上因分布偏移性能下降,强调需提升模型鲁棒性并采用相应评估指标。
2023-10-19 cs.AI cs.CL cs.CY
Message Passing for Complex Question Answering over Knowledge Graphs
Vienna University of Economics and Business(维也纳经济大学);University of Amsterdam(阿姆斯特丹大学);Fraunhofer FIT(弗劳恩霍夫应用信息技术研究所)
基于知识图谱的问答(KGQA)已经从简单的单一事实问题发展到需要图遍历和聚合的复杂问题。我们提出了一种新的方法,复杂的KGQA,使用无监督的消息传递,传播的置信度得分通过解析输入的问题和匹配的知识图谱中的一组可能的答案。首先,我们识别自然语言问题中提到的实体、关系和类名,并将它们映射到图中的对应项。然后,这些映射的置信度得分通过图结构传播以定位答案实体。最后,根据所识别的问题类型对这些问题进行汇总。这种方法可以有效地实现为一系列稀疏矩阵乘法模仿连接在小的局部子图。我们的评估结果表明,所提出的方法优于国家的最先进的LC-QuAD基准。此外,我们表明,该方法的性能只取决于问题解释结果的质量,即,给定正确的相关性分数分布,我们的方法总是产生正确的答案排名。我们的错误分析揭示了基准数据集中缺少的正确答案和DBpedia知识图谱中的不一致性。最后,我们提供了一个全面的评估所提出的方法伴随着消融研究和错误分析,更详细地展示了每个问答组件的陷阱。
2019-08-19 cs.AI cs.CL cs.IR
Generative Relation Linking for Question Answering over Knowledge Bases
IBM Research T.J. Watson Research Center(IBM研究院托马斯·J·沃森研究中心)
关系链接对于在知识库上实现问答是必不可少的。尽管有各种努力来提高关系链接性能,但是当前最先进的方法没有实现最佳结果,因此,负面地影响了整体端到端问答性能。在这项工作中,我们提出了一种新的方法,关系链接框架,它作为一个生成的问题,促进使用预先训练的序列到序列模型。我们扩展这样的序列到序列模型的想法注入结构化数据从目标知识库,主要是为了使这些模型来处理知识库的细微差别。此外,我们训练模型的目的是生成一个结构化的输出,包括一个列表的参数关系对,使知识验证步骤。我们比较了我们的方法对现有的关系链接系统的四个不同的数据集来自DBpedia和Wikidata。我们的方法报告了对最先进技术的巨大改进,同时使用了一个更简单的模型,可以很容易地适应不同的知识库。
2021-08-16 cs.AI cs.CL
FilterRAG: Zero-Shot Informed Retrieval-Augmented Generation to Mitigate Hallucinations in VQA
University of Maryland, Baltimore County(马里兰大学巴尔的摩分校)
FilterRAG通过结合BLIP-VQA与检索增强生成,利用外部知识源减少视觉问答中的幻觉问题,提升模型在知识驱动和分布外场景的鲁棒性。
2026-01-24 cs.CL cs.CV cs.IR
Leveraging Abstract Meaning Representation for Knowledge Base Question Answering
IBM Research(IBM研究院)
知识库问答是自然语言处理中的一项重要任务。现有方法面临着重大挑战,包括复杂的问题理解,推理的必要性,以及缺乏大型端到端训练数据集。在这项工作中,我们提出了神经符号问答(NSQA),一个模块化的KBQA系统,它利用(1)抽象意义表示(AMR)解析任务无关的问题理解;(2)一个简单而有效的图转换方法转换AMR解析成候选逻辑查询,是对齐的知识库;(3)基于流水线的方法,其集成了多个可重用模块,这些模块专门针对其单独的任务(语义解析器、实体和关系链接器以及神经符号推理器)而被训练,并且不需要端到端的训练数据。NSQA在基于DBpedia的两个主要KBQA数据集(QALD-9和LC-QuAD 1.0)上实现了最先进的性能。此外,我们的分析强调,AMR是一个强大的工具,KBQA系统。
2021-06-02 cs.AI cs.CL
OPIEC: An Open Information Extraction Corpus
Universität Mannheim(曼海姆大学)
开放信息抽取(OIE)系统以无监督的方式从自然语言文本中抽取关系及其参数。由此产生的提取是一个有价值的资源,下游任务,如知识库建设,开放式问答,或事件模式归纳。在本文中,我们发布,描述和分析OIE语料库称为OPIEC,这是从英文维基百科的文本提取。OPIEC补充了OIE现有的资源:它是迄今为止最大的OIE语料库(超过3.4亿个三元组),包含有价值的元数据,如出处信息,置信度得分,语言注释和语义注释,包括空间和时间信息。我们分析OPIEC语料库,通过比较其内容与知识库,如DBpedia或YAGO,这也是基于维基百科。我们发现,OPIEC中存在的实体之间的大多数事实不能在DBpedia和/或YAGO中找到,OIE事实与知识库事实相比通常在特异性水平上有所不同,并且OIE开放关系通常是高度多义的。我们相信,OPIEC语料库是一个宝贵的资源,为未来的研究自动化知识库建设。
2019-04-28 cs.CL
SeMantic AnsweR Type prediction task (SMART) at ISWC 2020 Semantic Web Challenge
IBM Research AI(IBM研究院人工智能部门);University of Bonn(波恩大学);Fraunhofer IAIS(弗劳恩霍夫智能分析与信息系统研究所);Universität Paderborn(帕德博恩大学)
每年国际语义网会议都会接受一系列语义网挑战,以建立竞争,推动任何特定问题领域的最先进解决方案。SeMantic AnsweR类型预测任务(SMART)是ISWC 2020挑战的一部分。问题类型和答案类型预测可以在知识库问答系统中发挥关键作用,提供有助于生成正确查询或对答案候选者进行排名的见解。更具体地,给定自然语言的问题,SMART挑战的任务是使用目标本体(例如,DBpedia或Wikidata)。
2020-12-01 cs.AI cs.CL cs.IR
Towards a Question Answering System over the Semantic Web
Université de Lyon(里昂大学);CNRS UMR 5516 Laboratoire Hubert Curien(法国国家科学研究中心UMR 5516于贝尔·居里安实验室);DATEV eG(达特夫合作社)
由于语义Web的发展,大量新的结构化数据以知识库(KB)的形式出现在Web上。使这些有价值的数据可供最终用户访问和使用是基于知识库的问答(QA)的主要目标之一。大多数当前的QA系统以一种语言(即英语)查询一个KB。现有的方法并不是设计成容易适应新的知识库和语言。我们首先介绍了一种新的方法,用于将自然语言问题转换为SPARQL查询。它能够同时以不同的语言查询多个知识库,并且可以很容易地移植到其他知识库和语言。在我们的评估中,我们的方法的影响被证明使用5个不同的知名和大型知识库:Wikidata,DBpedia,MusicBrainz,DBLP和Freebase以及5种不同的语言,即英语,德语,法语,意大利语和西班牙语。其次,我们展示了我们如何整合我们的方法,使其易于访问的研究社区和最终用户。总之,我们提供了一个概念性的解决方案,多语言,知识库无关的问答语义Web。所提供的第一近似值验证了这一概念。
2018-03-02 cs.AI cs.CL
Text-to-SPARQL Goes Beyond English: Multilingual Question Answering Over Knowledge Graphs through Human-Inspired Reasoning
WSE Research Group, Leipzig University of Applied Sciences(莱比锡应用科学大学WSE研究组);DICE Research Group, University of Paderborn(波德恩堡大学DICE研究组)
针对多语言知识图谱问答,本文提出受人类启发的 mKGQAgent 框架,通过 LLM 智能体协同完成规划、实体链接与查询精化,并在 Text2SPARQL 2025 两项基准中夺冠。
2025-07-22 cs.AI cs.CL cs.IR
BigText-QA: Question Answering over a Large-Scale Hybrid Knowledge Graph
University of Luxembourg(卢森堡大学);International Institute of Information Technology (IIIT), Bangalore(班加罗尔国际信息技术研究所)
BigText-QA 提出一种集成问答方法,通过构建统一表示结构化与非结构化知识的混合知识图谱,结合命名实体映射与文本子句的丰富上下文,在复杂问答任务中优于 DrQA 并与 QUEST 取得相当结果。
2023-09-07 cs.AI cs.CL
Reporting and Analysing the Environmental Impact of Language Models on the Example of Commonsense Question Answering with External Knowledge
University of Hamburg(汉堡大学)
本文以外部知识常识问答为例,通过向T5模型注入外部知识并微调,计算和报告训练及微调的环境影响,表明小模型未必更可持续、更多训练未必性能更好,需综合权衡性能与效率。
2024-07-24 cs.AI cs.CL cs.CY
A Web-Based Tool for Analysing Normative Documents in English
Chalmers University of Technology(查尔姆斯理工大学);University of Gothenburg(哥德堡大学)
我们的目标是使用正式的方法来分析用英语编写的规范性文件,例如隐私政策和服务级别协议。这需要结合许多不同的元素,包括从自然语言中提取信息抽取、用于模型表示的形式语言以及用于属性规范和验证的接口。我们已经完成了这项任务的一系列组件:一个自然语言提取工具,一个合适的形式主义,用于表示这些文件,在这种形式主义的接口,用于建立模型,并回答查询的方法要求一个给定的模型。在这项工作中,这些关切都集中在一个网络工具中,为分析英文规范性案文提供了一个单一的界面。通过使用一个运行的例子,我们描述了每个组件,并展示了我们的工具建立的工作流程。
2017-07-13 cs.CL cs.CY
Learning to Transpile AMR into SPARQL
IBM Research AI(IBM研究院人工智能部门)
我们提出了一个基于转换的系统,翻译抽象意义表示(AMR)到SPARQL的知识库问答(KBQA)。这允许我们将部分语义表示委托给一个经过严格预训练的语义解析器,同时学习使用少量配对数据的翻译。我们离开最近的工作有关AMR和SPARQL结构,但不是应用一组规则,我们教一个BART模型选择性地使用这些关系。此外,我们避免显式编码AMR,而是在BART的注意力机制中编码解析器状态,遵循最近的语义解析工作。由此产生的模型很简单,为其决策提供了支持文本,并且在两个知识库中优于KBQA中的最新方法:DBPedia(LC-QuAD 1.0,QALD-9)和Wikidata(WebQSP,SWQ-WD)。
2022-12-09 cs.CL
Reducing the impact of out of vocabulary words in the translation of natural language questions into SPARQL queries
University of Calabria(卡拉布里亚大学)
对于不熟悉SPARQL查询语言的用户来说,公共知识库中的大量可用信息可能很复杂。SPARQL中自然语言问题的自动翻译有可能克服这个问题。现有的基于神经机器翻译的系统非常有效,但在识别训练集的词汇表之外(OOV)的单词时容易失败。在查询大型本体时,这是一个严重的问题。在本文中,我们结合命名实体链接,命名实体识别,神经机器翻译执行自动翻译的自然语言的问题到SPARQL查询。我们通过在Monument、QALD-9和LC-QuAD v1上运行实验,证明了我们的方法比现有方法对OOV词更有效和更有弹性,这些数据集是DBpedia上问答的知名数据集。
2021-11-04 cs.CL cs.IR cs.LG
SPARQL as a Foreign Language
Liber AI Research(莱伯人工智能研究院);University of Leipzig(莱比锡大学);HTWK Leipzig(莱比锡应用技术大学);University of Bonn(波恩大学)
在过去的几年里,关联数据云已经实现了超过1000亿个与多个领域相关的事实的规模。然而,访问这些信息对非专业用户来说是一个巨大的挑战。解决问题的方法,如关于关联数据的问答和链接发现,在增加信息获取方面发挥了重要作用。这些方法通常基于手工制作的和/或从数据观察中得出的统计模型。最近,基于称为seq 2seq的神经网络的深度学习架构已经显示出在将序列转换为序列方面实现了最先进的结果。在这个方向上,我们提出了神经SPARQL机器,这是一种端到端的深度架构,可以将任何自然语言表达式翻译成编码SPARQL查询的句子。我们的初步结果,仅限于选定的DBpedia类,表明神经SPARQL机是一个很有前途的方法问答的关联数据,因为它们可以处理已知的问题,如词汇不匹配和执行图形模式组成。
2020-05-05 cs.CL cs.DB
Boosting Question Answering by Deep Entity Recognition
Institute of Computer Science, Polish Academy of Sciences(波兰科学院计算机科学研究所)
本文介绍了一个开放域的波兰语类事实问答系统RAFAEL。该系统不仅仅是找到一个回答句子;它还提取一个与所需实体相对应的字符串。在这里,重点放在不同的方法来实体识别,检索信息匹配问题的约束条件是必不可少的。除了传统的方法,包括命名实体识别(NER)的解决方案,一种新的技术,称为深度实体识别(DeepER)的介绍和实现。它允许基于先前组装的实体库,全面搜索与给定WordNet同义词集(例如印象派)匹配的所有形式的实体引用。它是通过分析百科全书条目的第一句话以及消除歧义和重定向页面创建的。DeepER还提供自动评估,这使得许多实验成为可能,包括在波兰维基百科上回答的电视问答节目中的一千多个问题。对单独问题集进行手动评估的最终结果表明,DeepER方法的优势在于它能够回答需要超出传统命名实体类别的答案的问题。
2016-05-27 cs.CL
Ontology-Guided, Hybrid Prompt Learning for Generalization in Knowledge Graph Question Answering
University of Hamburg(汉堡大学);Leuphana University Lüneburg(吕讷堡勒法纳大学);Institute for Information Systems(信息系统研究所)
本文提出 OntoSCPrompt,通过两阶段架构与本体引导的混合提示学习,使基于大语言模型的知识图谱问答系统无需重新训练即可泛化到未见知识图谱,并在多个数据集上达到 SOTA 水平。
2025-02-06 cs.AI cs.CL
A Talker Ensemble: the University of Wrocław's Entry to the NIPS 2017 Conversational Intelligence Challenge
Institute of Computer Science University of Wrocław(弗罗茨瓦夫大学计算机科学研究所)
我们介绍了Poetwannabe,一个由弗罗茨瓦夫大学提交给NIPS 2017对话智能挑战赛的聊天机器人,它在其中排名第一。它能够以自然语言与用户进行对话。我们的对话系统的主要功能是上下文感知的问答(QA),而其次要功能是保持用户参与。聊天机器人由许多子模块组成,这些子模块独立地准备对用户提示的回复并评估自己的信心。为了回答问题,我们的对话系统在很大程度上依赖于事实数据,主要来自维基百科和DBpedia,公共论坛中的真实用户交互数据,以及有关一般文献的数据。在适用的情况下,使用GPU在大型数据集上训练模块。然而,为了符合竞争的要求,最终的系统是紧凑的,并在商品硬件上运行。
2018-05-21 cs.CL
Semantic Answer Type and Relation Prediction Task (SMART 2021)
IBM Research AI(IBM人工智能研究院);University of Bonn(波恩大学);Fraunhofer IAIS(弗劳恩霍夫智能分析与信息系统研究所);Universität Paderborn(帕德博恩大学);Conversational AI, Fraunhofer IAIS Dresden(弗劳恩霍夫智能分析与信息系统研究所德累斯顿对话式人工智能);IBM Research(IBM研究院)
每年国际语义网会议都会组织一系列语义网挑战赛,以建立竞赛,推动某些问题领域的最先进解决方案。语义答案类型和关系预测任务(SMART)是ISWC 2021语义Web挑战之一。这是在ISWC 2020上成功举办SMART 2020之后的第二年挑战。今年的版本侧重于对知识库问答(KBQA)非常重要的两个子任务:答案类型预测和关系预测。问题类型和答案类型预测可以在知识库问答系统中发挥关键作用,提供关于期望答案的见解,这有助于生成正确的查询或对答案候选者进行排名。更具体地,给定自然语言的问题,第一任务是使用目标本体(例如,DBpedia或Wikidata。类似地,第二个任务是识别自然语言查询中的关系,并将它们链接到目标本体中的关系。本文讨论了任务描述,基准数据集和评估指标。欲了解更多信息,请访问https://smart-task.github.io/2021/。
2022-01-10 cs.AI cs.CL
Enhancing Software-Related Information Extraction via Single-Choice Question Answering with Large Language Models
GESIS – Leibniz Institute for the Social Sciences(GESIS——莱布尼茨社会科学研究所);Heinrich-Heine-University Düsseldorf(杜塞尔多夫海因里希·海涅大学)
本文提出一种基于大型语言模型单选题问答的方法,结合RAG技术进行实体与属性识别及关系抽取,有效解决了学术文献中软件提及消歧与关系抽取的挑战。
2024-04-19 cs.CL
Natural Language Processing: State of The Art, Current Trends and Challenges
Manav Rachna International University(马纳夫·拉奇纳国际大学);Accendere Knowledge Management Services Pvt. Ltd.(Accendere知识管理服务私人有限公司)
自然语言处理(NLP)近年来因其对人类语言的计算机表示和分析而受到广泛关注。它已经在机器翻译、垃圾邮件检测、信息抽取、摘要、医学、问答等领域得到了广泛的应用。本文通过讨论自然语言处理的不同层次和自然语言生成(NLG)的组成部分,将NLP分为四个阶段,介绍了NLP的各种应用以及当前的趋势和挑战。
2017-08-17 cs.CL
Dialogue Benchmark Generation from Knowledge Graphs with Cost-Effective Retrieval-Augmented LLMs
Concordia University(康考迪亚大学)
本研究提出多阶段检索增强生成平台Chatty-Gen,利用知识图谱自动生成特定领域高质量对话基准,通过阶段验证、高效检索减少成本与幻觉,在多知识图谱和多LLM上性能优于现有系统。
2025-01-17 cs.AI cs.CL
Unification-based Reconstruction of Multi-hop Explanations for Science Questions
University of Manchester(曼彻斯特大学);Idiap Research Institute(Idiap研究所)
提出了一种新的科学问答(QA)多跳解释重构框架。虽然现有的多跳推理方法建立解释考虑每个问题孤立,我们提出了一种方法来利用解释模式出现在一个语料库的科学解释。具体而言,该框架通过将词汇相关性与统一力的概念相结合来对一组原子事实进行排名,估计分析语料库中类似问题的解释。一个广泛的评价进行的Worldtree语料库,集成k-NN聚类和信息检索(IR)技术。我们提出以下结论:(1)所提出的方法实现了与Transformers竞争的结果,但速度快了几个数量级,这一特征使其可扩展到大型解释性语料库(2)基于统一的机制在减少语义漂移方面具有关键作用,有助于许多啤酒花解释的重建(6个或更多事实)和复杂推理事实的排名(+12.0平均平均精度)(3)至关重要的是,构建的解释可以支持下游QA模型,将BERT的准确性整体提高高达10%。
2021-02-10 cs.AI cs.CL cs.IR
Information Extraction From Co-Occurring Similar Entities
关于实体及其相互关系的知识是问答或文本摘要等任务成功的关键因素。然而,像Wikidata或DBpedia这样公开可用的知识图谱还远未完成。在本文中,我们探讨如何从类似的实体,共同出现在结构,如表或列表中提取的信息可以帮助增加这种知识图谱的覆盖面。与现有方法相比,我们不关注列表中的关系(例如,表行中的两个实体之间),而是取决于列表的主题实体与列表的上下文之间的关系。为此,我们提出了一个描述性的规则挖掘方法,使用远程监督,以获得规则,这些关系的基础上上市的上下文。从合适的数据语料库中提取的规则可以用于扩展具有新实体和断言的知识图谱。在我们的实验中,我们证明了该方法能够从维基百科的列表中提取多达3M的新实体和30M的附加断言。我们发现,提取的信息是高质量的,因此适合扩展基于维基百科的知识图谱,如DBpedia,YAGO和CaLiGraph。对于DBpedia来说,这将导致覆盖的实体增加大约50%。
2021-02-15 cs.IR
PharmKE: Knowledge Extraction Platform for Pharmaceutical Texts using Transfer Learning
Faculty of Computer Science and Engineering(计算机科学与工程学院)
近年来,识别给定文本中的命名实体的挑战一直是一个非常活跃的领域。这是由于神经网络架构的进步,计算能力的提高以及各种标记数据集的可用性,这些数据集提供了预先训练的高度准确的模型。这些任务通常集中在标记公共实体,但特定领域的用例需要标记不属于预训练模型的自定义实体。这可以通过微调预训练模型或训练自定义模型来解决。主要的挑战在于获得可靠的标记训练和测试数据集,手动标记将是一项非常繁琐的任务。在本文中,我们提出了PharmKE,一个专注于医药领域的文本分析平台,它通过几个阶段应用深度学习对医药文章进行彻底的语义分析。它使用最先进的迁移学习模型进行文本分类,并彻底整合了通过提出的方法获得的结果。该方法用于创建准确标记的训练和测试数据集,然后用于训练模型,用于定制实体标记任务,集中在制药领域。将获得的结果与在相同数据集上训练的微调BERT和BioBERT模型进行比较。此外,PharmKE平台整合了从命名实体识别任务中获得的结果,以解决实体的共指并分析每个句子中的语义关系,从而为其他文本分析任务(如问答和事实提取)建立基线。识别的实体还用于扩展DBpedia Spotlight为给定的药物文本生成的知识图谱。
2021-02-25 cs.CL cs.LG
Analysing the Robustness of Dual Encoders for Dense Retrieval Against Misspellings
稠密检索正在成为文档和段落排序的标准方法之一。双编码器架构由于其效率和高性能而被广泛用于评分问题-通道对。通常,稠密检索模型是在干净和精心策划的数据集上评估的。然而,当部署在现实生活中的应用程序,这些模型遇到嘈杂的用户生成的文本。也就是说,当暴露在嘈杂的文本中时,最先进的密集检索器的性能会大大恶化。在这项工作中,我们研究了密集检索器对用户问题中的错别字的鲁棒性。我们观察到双编码器模型在遇到错别字时的性能显着下降,并探索通过将数据增强与对比学习相结合来提高其鲁棒性的方法。我们在两个大规模的文章排名和开放域问答数据集上的实验表明,我们提出的方法优于竞争方法。此外,我们对鲁棒性进行了全面的分析。最后,我们提供了关于不同的错别字如何不同地影响嵌入的鲁棒性以及我们的方法如何消除某些错别字的影响而不是其他错别字的影响的见解。
2022-05-04 cs.IR
Steps to Knowledge Graphs Quality Assessment
知识图谱(KGs)在过去的十年中得到了普及,例如,它们被广泛地用于网络环境中。2012年,Google推出了Google的知识图谱,用于改进其网络搜索服务。Web还托管不同的KG,如DBpedia和Wikidata,用于个人助理和问答系统等各种应用程序。各种Web应用程序依赖于知识库为用户提供简洁、完整、准确和新鲜的答案。然而,这些幼稚园的质素又如何呢?在哪些情况下应该使用知识图谱(KG)?如何评价这些措施?我们回顾了有关数据、信息、关联数据和KG质量评估的文献。我们通过添加特定于KG的各种质量维度(QD)和质量度量(QM)扩展了当前最先进的框架。此外,我们提出了一个通用的,可定制的域或任务,和实用的质量评估框架,用于评估幼儿园的质量。
2022-08-16 cs.DB cs.IR
Transformer-based Subject Entity Detection in Wikipedia Listings
在问答或文本摘要等任务中,掌握相关实体的背景知识至关重要。在DBpedia或CaLiGraph等公开可用的知识图谱中,关于实体的信息--特别是关于长尾或新兴实体的信息--远远不够完整。在本文中,我们提出了一种方法,利用列表的半结构化性质(如枚举和表)来识别列表项的主要实体(即,的条目和行)。这些实体,我们称之为主题实体,可以用来增加知识图谱的覆盖率。我们的方法使用一个Transformer网络来识别主题实体在令牌级,并超越现有的方法在性能方面,同时受到较少的限制。由于灵活的输入格式,它适用于任何类型的列表,并且与以前的工作不同,它不依赖于实体边界作为输入。我们证明了我们的方法,将其应用到完整的维基百科语料库,并提取4000万提到的主题实体,估计精度为71%,召回率为77%。结果被纳入最新版本的CaLiGraph。
2022-10-04 cs.IR
Patience is all you need! An agentic system for performing scientific literature review
Recursion Pharmaceutical(Recursion制药公司)
针对LLM在专家领域问答中失效的问题,本文构建基于LLM的科学文献搜索与信息提取系统,通过生物学基准问题评估证明稀疏检索无需密集检索即可接近SOTA,并提升了文献综述的相关文档覆盖率。
2025-03-28 cs.AI cs.IR
What is Normal, What is Strange, and What is Missing in a Knowledge Graph: Unified Characterization via Inductive Summarization
University of Michigan(密歇根大学);CISPA Helmholtz Center for Information Security(亥姆霍兹信息安全研究中心)
知识图谱(KG)以图的结构存储关于世界的高度异构的信息,并且对于诸如问答和推理的任务是有用的。然而,它们经常包含错误和丢失信息。在KG细化中充满活力的研究已经致力于解决这些问题,定制技术来检测特定类型的错误或完成KG。在这项工作中,我们介绍了一个统一的解决方案,KG表征制定的问题,无监督KG总结与一组归纳,软规则,它描述了什么是正常的KG,从而可以用来识别什么是异常的,无论是奇怪的或失踪。与一阶逻辑规则不同,我们的规则是带标签的,有根图,即,模式,基于其类型和KG中的信息描述(可见或不可见)节点周围的预期邻域。远离传统的支持/信任为基础的规则挖掘技术,我们提出KGist,知识图谱归纳总结,学习归纳规则的总结,最好的压缩KG根据最小描述长度原则-一个配方,我们是第一次使用的背景下KG规则挖掘。我们将我们的规则应用于三个大型KG(NELL,DBpedia和Yago),以及压缩,各种类型的错误检测和不完整信息的识别等任务。我们表明,KGist在错误检测和不完整性识别方面优于特定于任务的有监督和无监督基线(识别高达93%的缺失实体的位置-比基线多10%),同时对于大型知识图谱也是有效的。
2020-03-23 cs.AI cs.IR cs.LG
Knowledge Graphs Querying
Aalborg University(奥尔堡大学)
本文综述了知识图查询的跨学科研究,整合了图数据库、KG嵌入和自然语言问答等主题,并指出了不完整KG、语义匹配等挑战及数据管理社区的未来机遇。
2023-05-23 cs.DB cs.IR cs.LG