首页/论文/1902.00624

arXiv 1902.006242019-02-02cs.DBcs.AI

基于图-模式关联规则的问答系统（QAGPAR）--基于YAGO知识库

A Question Answering System Using Graph-Pattern Association Rules (QAGPAR) On YAGO Knowledge Base

University of Andalas（安达卢斯大学）；Institut Teknologi Bandung（万隆理工学院）

Wahyudi, Masayu Leylia Khodra, Ary Setijadi Prihatmanto, Carmadi Machbub

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

一个问答系统（QA系统）的开发，使用图形模式的关联规则的YAGO知识库。基于作为输入的用户问题来提供作为系统输出的答案。如果答案在数据库中缺失或不可用，则使用图模式关联规则来获得答案。该问答系统的体系结构包括：问题分类、图组件生成、查询生成和查询处理。该问答系统使用瀑布模型中的关联图模式。在本文中，该系统的体系结构进行了描述，具体讨论了其推理和性能的能力。本研究的结果是，具有高置信度和正确逻辑的规则产生正确答案，反之亦然

英文摘要：

A question answering system (QA System) was developed that uses graph-pattern association rules on the YAGO knowledge base. The answer as output of the system is provided based on a user question as input. If the answer is missing or unavailable in the database, then graph-pattern association rules are used to get the answer. The architecture of this question answering system is as follows: question classification, graph component generation, query generation, and query processing. The question answering system uses association graph patterns in a waterfall model. In this paper, the architecture of the system is described, specifically discussing its reasoning and performance capabilities. The results of this research is that rules with high confidence and correct logic produce correct answers, and vice versa

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

图模式关联规则在Yago知识库中的应用

Using Graph-Pattern Association Rules On Yago Knowledge Base

我们建议使用图形模式关联规则（GPAR）的Yago知识库。GPARS扩展了项集的关联规则，可以帮助发现知识库中实体之间的冲突。使用规则生成图模式（RGGP）算法从Yago知识库中提取规则，并使用图模式关联规则算法创建关联规则。我们的研究产生了1114条关联规则，其中标准置信度为50.18%，优于部分完备性假设（PCA）置信度49.82%。此外，标准置信度的计算时间也优于PCA置信度

2018-09-30cs.DB

Triad：一个利用多角色基于LLM的智能体解决知识库问答的框架

Triad: A Framework Leveraging a Multi-Role LLM-based Agent to Solve Knowledge Base Question Answering

College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；The Chinese University of Hong Kong（香港中文大学）；Tsinghua University（清华大学）

本文提出Triad框架，通过一个多角色基于LLM的智能体协同完成知识库问答，在LC-QuAD和YAGO-QA上取得领先性能。

2024-09-29cs.AIcs.CL

Hypergraph Transformer：基于知识的可视化问答弱监督多跳推理

Hypergraph Transformer: Weakly-supervised Multi-hop Reasoning for Knowledge-based Visual Question Answering

Seoul National University（首尔国立大学）；Hanyang University（汉阳大学）；AI Institute (AIIS), Seoul National University（首尔国立大学人工智能研究院（AIIS））

基于知识的视觉问答（QA）的目的是回答一个问题，这需要视觉基础的外部知识超越图像内容本身。在弱监督下对需要多跳推理的复杂问题进行推理被认为是一个具有挑战性的问题，因为i）没有对推理过程进行监督，ii）需要捕获多跳知识事实的高阶语义。在本文中，我们引入超图的概念来编码问题和知识库的高级语义，并学习它们之间的高阶关联。提出的模型Hypergraph Transformer构造了一个问题超图和一个查询感知知识超图，并通过编码超图之间的关联和超图本身的关联来推断答案。在两个基于知识的视觉问答和两个基于知识的文本问答上的实验证明了该方法的有效性，特别是对于多跳推理问题。我们的源代码可以在https://github.com/yujungheo/kbvqa-public上找到。

2022-04-22cs.AIcs.CLcs.CV

面向多跳问答的跨粒度超图检索增强生成

Cross-Granularity Hypergraph Retrieval-Augmented Generation for Multi-hop Question Answering

本文提出HGRAG方法，通过超图将细粒度实体与粗粒度段落进行跨粒度整合，结合结构关联和语义相似度检索，提升多跳问答性能并实现6倍检索加速。

2025-08-15cs.AIcs.CL

利用句子嵌入进行医学问答

Exploiting Sentence Embedding for Medical Question Answering

Tsinghua University（清华大学）；iFlytek Research（讯飞研究院）

尽管词嵌入取得了巨大的成功，但句子嵌入仍然是一个没有很好解决的问题。在本文中，我们提出了一个监督学习框架，利用句子嵌入的医疗问答任务。学习框架由两个主要部分组成：1）一个句子嵌入产生模块，和2）一个评分模块。前者是通过上下文自注意和多尺度技术将句子编码为嵌入张量而开发的。这个模块简称为上下文自我注意多尺度句子嵌入（CAMSE）。后者采用两种评分策略：语义匹配评分（SMS）和语义关联评分（SAS）。SMS测量相似性，而SAS捕获句子对之间的关联：一个医学问题与一个候选选择相连接，以及一个相应的支持证据。建议的框架是由两个医疗问答（MedicalQA）数据集，这是从现实世界中的应用程序：医疗考试和临床诊断的基础上，电子病历（EMR）。比较结果表明，我们提出的框架取得了显着的改进相比，竞争力的基线方法。此外，本文还通过一系列的对照实验，说明了多尺度策略和语境自注意层在产生有效的句子嵌入中的重要作用，以及两种评分策略在问答问题中的互补性。

2018-11-15cs.AIcs.CLcs.LG

ArT：无监督常识问答的全能思考者

ArT: All-round Thinker for Unsupervised Commonsense Question-Answering

Shanghai Jiao Tong University（上海交通大学）

无监督常识问答（QA）由于其对知识库等常识源的独特要求，使得在没有标记问答对的情况下进行必要的训练显得非常具有挑战性，而知识库的构建通常非常耗费资源。近年来，预训练的语言模型（PLM）在充当知识生成器的角色时，显示出作为常识线索的替代品的有效性。然而，现有的工作要么依赖于大规模的域内或域外的标记数据，或未能产生高质量的知识，在一般的方式。受人类思维经验的启发，我们提出了一种在知识生成过程中充分考虑联想的全面思考者（ArT）方法。具体而言，我们的模型首先关注给定上下文中的关键部分，然后在此基础上以类似人类思维的关联方式生成高度相关的知识。此外，在因果推理中，还特别加入了逆向思维机制，进一步加强因果之间的双向推理。ArT是完全无监督和无KBS的。我们在三个常识QA基准上进行评估：COPA，SocialIQA和SCT。在PLM骨干的所有规模上，ArT都表现出出色的性能，并优于以前的高级无监督模型。我们的代码可在https://github.com/WangJW424/commonsenseQA-ArT上获得。

2022-09-13cs.AIcs.CL

更多相关论文收起更多论文

CommonsenseQA：面向常识知识的问答挑战

CommonsenseQA: A Question Answering Challenge Targeting Commonsense Knowledge

Tel-Aviv University（特拉维夫大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）

在回答问题时，除了特定的上下文之外，人们还经常利用他们丰富的世界知识。最近的工作主要集中在回答一些相关文件或背景下的问题，并要求很少的一般背景。为了研究具有先验知识的问答，我们提出了常识问答：一个具有挑战性的新数据集常识问答。为了捕捉关联之外的常识，我们从ConceptNet（Speer等人，2017）与单个源概念具有相同语义关系的多个目标概念。人群工作者被要求创作多项选择题，其中提到源概念，并依次区分每个目标概念。这鼓励工作人员创建具有复杂语义的问题，这些问题通常需要先验知识。我们通过这个过程创建了12，247个问题，并通过大量强基线证明了我们任务的难度。我们的最佳基线是基于BERT-large（Devlin et al.，2018年），并获得56%的准确率，远低于人类的表现，这是89%。

2019-03-15cs.AIcs.CLcs.LG

大型语言模型是否像儿童一样解决言语类比问题？

Do large language models solve verbal analogies like children do?

University of Amsterdam（阿姆斯特丹大学）

本文通过荷兰语儿童类比数据测试六个LLM，发现其表现与儿童相当，但控制联想过程后水平下降1至2年，表明LLM像儿童一样依赖联想而非关系映射解决言语类比。

2023-10-31cs.AIcs.CL

利用增强的问题-解决方案关联解决类比数学应用题

Analogical Math Word Problems Solving with Enhanced Problem-Solution Association

University of Notre Dame（圣母大学）；Hong Kong University of Science and Technology（香港科技大学）

数学应用题解决是问答中的一项重要任务，它要求学生具有类人推理能力。类比推理在数学教育中应用已久，因为它使学生能够应用数学情境中常见的关系结构来解决新问题。在本文中，我们建议建立一个新的MWP求解器，利用类比MWP，提高求解器的泛化能力，在不同种类的MWP。其核心思想是将相似的MWP对关联到一个潜在空间中，即，编码接近另一个类比MWP的MWP，而远离非类比MWP。此外，一个解决方案，集成到MWP求解器，以增强MWP的表示和他们的真正的解决方案之间的关联。评估结果验证了我们提出的类比学习策略在Math 23 k上的MWP-BERT性能优于最先进的Generate 2 Rank模型，编码器中的参数减少了5倍。我们还发现，我们的模型具有更强的泛化能力，在解决困难的MWPs由于类比学习容易MWPs。

2022-12-01cs.AIcs.CL

HyCE-RAG：用于可解释多跳问答的超图证据链检索增强生成

HyCE-RAG: Hypergraph Chain-of-Evidence Retrieval-Augmented Generation for Explainable Multi-hop Question Answering

University of Macau（澳门大学）；Shenzhen Kaihong Digital Industry Development Co., Ltd.（深圳开鸿数字产业发展有限公司）；University of New South Wales（新南威尔士大学）；Zhejiang University（浙江大学）；Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）

研究可解释多跳问答，提出HyCE-RAG框架，将实体等组织成超边构建超图，经置信度传播和证据组装选择连接证据路径，评分时考虑多种因素，实验证明其在多方面优于标准和基于图的RAG基线，为复杂问答检索后推理提供新方向。

2026-07-28cs.AI

基于成本高效的检索增强大语言模型从知识图谱生成对话基准

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。

2025-01-17cs.AIcs.CL

VL-KnG：从单目视频构建持久时空知识图谱以实现具身场景理解

Spatiotemporal Knowledge Graphs as Persistent Scene Memory for Embodied Question Answering

Applied AI Institute, Moscow, Russia（莫斯科应用人工智能研究所）

VL-KnG通过构建时空知识图谱实现高效具身场景理解，采用LLM驱动的时空对象关联和图增强检索，无需3D重建，支持常数时间推理，优于现有前沿VLMs。

2026-07-21cs.AIcs.RO

在基于放射学报告的大语言模型问答中，将可回答性与答案抽取相分离

Dissociating Answerability from Extraction in LLM Question Answering over Radiology Reports

Labcorp（拉布科公司）

该研究针对放射学报告问答中错误答案与过度弃权（不执行）合并评估的问题，提出分离两者的评估方法，应用于13个大语言模型后发现F1相似的模型错误答案率差异大，调整决策规则可降低错误答案率且不影响F1，建议分开报告两个指标。

2026-10-14cs.AIcs.CLcs.LG

视觉语言模型能否从视觉参考中回忆事实关联？

Can VLMs Recall Factual Associations From Visual References?

University of Southern California（南加州大学）；Information Sciences Institute, University of Southern California（信息科学研究所，南加州大学）

研究发现视觉语言模型在视觉参考下回忆事实关联能力减半，通过内部状态探针可高精度检测失败，提升选择性预测覆盖率并降低错误率。

2025-08-22cs.AIcs.CLcs.CV

提问并记忆：一种用于持续视觉问答的仅问题回放策略

Ask and Remember: A Questions-Only Replay Strategy for Continual Visual Question Answering

LTCI, Télécom-Paris, Institut Polytechnique de Paris（LTCI， Télécom-Paris， Institut Polytechnique de Paris）；Inria, LJK, Univ. Grenoble Alpes（Inria， LJK，火车头 Grenoble Alpes）；Universitat Autónoma de Barcelona（Autonomous University of Barcelona）

针对持续视觉问答中的可塑性-稳定性困境，本文提出QUAD，仅回放历史问题并结合注意力一致性蒸馏，在降低存储与隐私风险的同时显著提升性能。

2025-07-27cs.AIcs.CV

iPerceive：将常识推理应用于多模态密集视频描述和视频问答

iPerceive: Applying Common-Sense Reasoning to Multi-Modal Dense Video Captioning and Video Question Answering

Stanford University（斯坦福大学）；University of Waterloo（滑铁卢大学）；Harvard University（哈佛大学）

视觉理解中的大多数现有技术仅仅依赖于分析“什么”（例如，事件识别）和“在哪里”（例如，事件定位），这在某些情况下不能描述事件之间的正确上下文关系或导致不正确的潜在视觉注意。将我们定义为人类和与机器根本不同的部分原因是我们本能地在任何关联背后寻找因果关系，例如事件Y是事件X的直接结果。为此，我们提出iPerceive，一个框架，能够理解的“为什么”之间的事件在视频中建立一个常识性的知识库，使用上下文线索来推断视频中的对象之间的因果关系。我们证明了我们的技术使用密集的视频描述（DVC）和视频问答（VideoQA）任务的有效性。此外，虽然DVC和VideoQA中的大多数先前工作仅依赖于视觉信息，但其他形式（例如音频和语音）对于人类观察者对环境的感知至关重要。我们将DVC和VideoQA任务表述为利用多模态的机器翻译问题。通过分别在ActivityNet字幕和TVQA数据集上评估iPerceive DVC和iPerceive VideoQA的性能，我们表明我们的方法进一步发展了最先进的技术。代码和示例可在：ipeceive.amanchadha.com上获得。

2020-11-16cs.AIcs.CVcs.LG

知识图谱提示用于多文档问答

Knowledge Graph Prompting for Multi-Document Question Answering

Vanderbilt University（范德堡大学）；Adobe Research（Adobe研究院）

提出知识图谱提示方法，通过构建文档间知识图谱并设计LLM遍历代理，为多文档问答提供结构化上下文，提升检索质量与效率。

2023-12-25cs.AIcs.CLcs.IR

SAFE-G：面向基于知识的视觉问答的结构感知忠实证据引导生成

SAFE-G: Structure-aware Faithful Evidence-guided Generation for Knowledge-based Visual Question Answering

State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室）；University of Science and Technology of China（中国科学技术大学）；NIO（蔚来）

针对KB-VQA现有方法难以捕捉结构关联、推理不忠实的问题，提出SAFE-G框架，通过混合搜索、图检索与证据对齐RL策略，在两个基准上准确率优于现有方法8.9%、3.5%。

2026-08-25cs.AIcs.CV

超越时间线：利用基于实体的传记增强长视频记忆

Beyond the Timeline: Augmenting Long-Video Memory with Grounded Entity Biographies

University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Amazon.com, Inc.（亚马逊公司）

提出基于实体的传记框架，通过视觉身份链接分组长视频中同一实体的观察，提升跨事件问答性能，在EgoLifeQA上达72.0%准确率。

2026-09-30cs.AIcs.CLcs.CV

Synthesize-on-Graph：用于大型语言模型持续预训练的知识性合成数据生成

Synthesize-on-Graph: Knowledgeable Synthetic Data Generation for Continue Pre-training of Large Language Models

DataArc Tech Ltd.（DataArc科技有限公司）；IDEA Research, International Digital Economy Academy（IDEA研究所、国际数字经济学院）；Gaoling School of Artificial Intelligence, Renmin University of China（法律人工智能学院，中国人民大学）

本文提出Synthetic-on-Graph（SoG）合成数据生成框架，通过构建上下文图实现跨文档知识关联采样，并结合CoT与CC策略，有效提升LLMs在数据受限领域的知识获取与泛化能力。

2025-09-14cs.AIcs.CL

BERTHop：一种有效的胸部X线疾病诊断视觉和语言模型

BERTHop: An Effective Vision-and-Language Model for Chest X-ray Disease Diagnosis

UCLA（加州大学洛杉矶分校）；USC（南加州大学）

视觉和语言（V&L）模型将图像和文本作为输入，并学习捕捉它们之间的关联。先前的研究表明，预先训练的V&L模型可以显着提高下游任务，如视觉问答（VQA）的模型性能。然而，V&L模型在应用于医学领域时不太有效（例如，由于域间隙，在X射线图像和临床笔记上）。在本文中，我们研究了在医疗应用中应用预训练的V&L模型的挑战。特别是，我们确定，在一般的V&L模型的视觉表示是不适合处理医疗数据。为了克服这一限制，我们提出了BERTHop，一个基于PixelHop++和VisualBERT的基于transformer的模型，用于更好地捕获两种模式之间的关联。在OpenI数据集（一种常用的胸部疾病诊断基准）上的实验表明，BERTHop在9倍小的数据集上训练时，平均曲线下面积（AUC）为98.12%，比最先进的（SOTA）高1.62%。

2021-08-10cs.AIcs.CLcs.CV

穿越灰色地带：不确定性表达与过度自信如何影响语言模型

Navigating the Grey Area: How Expressions of Uncertainty and Overconfidence Affect Language Models

Stanford University（斯坦福大学）

本研究探讨语言模型对输入中确定性、不确定性等认识标记的敏感性，发现高确定性表达反而降低准确率，且模型行为可能源于模仿而非真实认识状态。

2023-11-13cs.AIcs.CL

代理检索增强推理重塑放射学问答中的集体可靠性在模型变异性下

Agentic retrieval-augmented reasoning reshapes collective reliability under model variability in radiology question answering

RWTH Aachen University（亚琛工业大学）；Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）；Technical University of Munich（慕尼黑工业大学）；University Hospital RWTH Aachen（亚琛工业大学医院）；University Hospital Erlangen（埃尔朗根大学医院）；Erlangen National High Performance Computing Center（埃尔朗根国家高性能计算中心）；Stanford University（斯坦福大学）

代理检索增强推理在放射学问答中提升了集体可靠性，通过减少模型决策分散和增强跨模型正确性鲁棒性，但高一致性不保证正确性。

2026-03-06cs.AIcs.LG

推理链上的欺骗性语义捷径：模型在不产生幻觉的情况下能走多远？

Deceptive Semantic Shortcuts on Reasoning Chains: How Far Can Models Go without Hallucination?

University of California, Davis（加利福尼亚大学戴维斯分校）；University of Pennsylvania（宾夕法尼亚大学）；University of Southern California（南加利福尼亚大学）

本文提出EureQA探测基准，通过递归遮蔽实体并植入语义干扰线索，评估LLM能否沿证据链推理而非依赖关键词偏误走捷径。

2024-04-05cs.AIcs.CL

一种受人类记忆机制启发的推理框架

A Framework for Inference Inspired by Human Memory Mechanisms

University of Electronic Science and Technology of China（电子科技大学）

本研究受人类记忆机制启发提出包含感知、记忆、推理组件的PMI框架，通过双记忆结构与可微分读写机制提升推理能力，在多类任务上显著增强了Transformer和CNN模型的性能。

2024-05-20cs.AIcs.CLcs.LG

基于图卷积网络的最短相关路径联合事件提取

Joint Event Extraction along Shortest Dependency Paths using Graph Convolutional Networks

University of Tehran（德黑兰大学）；Polytechnic Institute of Tomar（托马尔理工学院）；Kyoto University（京都大学）；INESC Technology and Science（INESC技术与科学研究院）

事件抽取是信息抽取的核心任务之一，其目的是从文本中自动识别和抽取事件及其行为者的信息。这对于诸如知识库、问答、信息检索和摘要任务等若干领域可能是有益的。从文本中提取事件信息的问题由来已久，通常依赖于精心设计的词汇和句法特征，然而，这需要大量的人力和缺乏泛化能力。最近，深度神经网络方法已被采用作为自动学习底层特征的一种手段。然而，现有的网络没有充分利用句法特征，这在捕获非常长的距离依赖关系中发挥了重要作用。此外，大多数方法单独提取事件的每个论元，而不考虑论元之间的关联，这最终导致效率低下，特别是在多事件的句子中。为了解决上述两个问题，我们提出了一种新的联合事件提取框架，旨在通过在依赖图中引入最短依赖路径（SDP）来同时提取多个事件触发器和参数。我们通过消除句子中不相关的单词来实现这一点，从而捕获长距离依赖关系。此外，提出了一种基于注意力的图卷积网络，沿着候选参数之间的最短路径携带语法相关信息，捕获并聚集参数之间的潜在关联;大多数文献都忽略了这个问题。我们的研究结果表明，国家的最先进的方法有很大的改善。

2020-03-19cs.AIcs.LGstat.ML

将层级语义集成到迭代生成模型中以用于蕴含树解释

Integrating Hierarchical Semantic into Iterative Generation Model for Entailment Tree Explanation

School of Information Science and Engineering, Yanshan University（燕山大学信息科学与工程学院）

本文提出 HiSCG 架构，通过整合层级语义优化蕴含树生成，在 EntailmentBank 及域外数据集上验证了有效性。

2024-09-26cs.AIcs.CL

E-BERT：一种基于短语和产品知识的电子商业语言模型

E-BERT: A Phrase and Product Knowledge Enhanced Language Model for E-commerce

Rutgers University（罗格斯大学）；NEC Laboratories America, Inc.（NEC美国实验室公司）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）

预先训练的语言模型，如BERT，在广泛的自然语言处理任务中取得了巨大的成功。然而，BERT由于缺乏两个层次的领域知识而不能很好地支持电子商业相关任务，即，短语级和产品级。一方面，许多电子商业任务需要对领域短语的准确理解，而这种细粒度的短语级知识并没有被BERT的训练目标明确地建模。另一方面，产品级知识，如产品关联，可以增强电子商业的语言建模，但他们不是事实知识，因此不加区别地使用它们可能会引入噪音。为了解决这个问题，我们提出了一个统一的预训练框架，即E-BERT。具体来说，为了保留短语级知识，我们引入了自适应混合掩码，它允许模型根据两种模式的拟合进度自适应地从学习初步单词知识切换到学习复杂短语。为了利用产品级知识，我们引入了Neighbor Product Reconstruction，它训练E-BERT通过去噪交叉注意层来预测产品的相关邻居。我们的调查显示，在四个下游任务，即，基于评论的问答、方面提取、方面情感分类和产品分类。

2021-12-17cs.AIcs.CLcs.LG

大型语言模型是否理解上下文？一种基于知识图谱的评估框架

Do LLMs Understand Context? A Knowledge Graph-Based Evaluation Framework

University of Miami（迈阿密大学）；University of Moratuwa（莫勒图沃大学）

提出基于知识图谱的S3KG评估框架，结合结构与语义相似性度量LLM的上下文理解，并在九个基准上实现F1提升达7.6点、AUROC达0.973。

2026-09-28cs.AIcs.LG

从存储到访问：通过显式预激活与隐式推理实现大语言模型中参数化知识的可验证激活

From Storage to Access: Verifiable Activation of Parametric Knowledge in LLMs via Explicit Priming and Implicit Reasoning

ByteDance（字节跳动）；Huazhong University of Science and Technology（华中科技大学）

本研究提出VAKE框架，通过两阶段强化学习将LLM的显式知识提取能力迁移至隐式推理，可激活参数化知识，在多基准上优于基线且具备跨数据集迁移性。

2026-08-20cs.AIcs.CLcs.LG

基于图卷积网络的关系数据建模

Modeling Relational Data with Graph Convolutional Networks

University of Amsterdam（阿姆斯特丹大学）；VU Amsterdam（阿姆斯特丹自由大学）；CIFAR（加拿大高等研究院）

知识图谱支持各种各样的应用，包括问答和信息检索。尽管在创建和维护方面投入了巨大的努力，但即使是最大的（例如，Yago、DBPedia或Wikidata）仍然不完整。我们介绍了关系图卷积网络（R-GCN），并将其应用于两个标准的知识库完成任务：链接预测（恢复丢失的事实，即主谓宾三元组）和实体分类（恢复丢失的实体属性）。R-GCN与最近一类在图上操作的神经网络相关，并且专门开发用于处理现实知识库的高度多关系数据特性。我们证明了R-GCN作为实体分类的独立模型的有效性。我们进一步表明，通过使用编码器模型来丰富它们，以在关系图中的多个推理步骤中积累证据，可以显着改进用于链接预测的因子分解模型（如DistMult），与仅解码器基线相比，FB 15 k-237有29.8%的大幅改进。

2017-10-26cs.AIcs.DBcs.LG

WiDiff：从Wikidata的编辑历史中提取变更

WiDiff: Extracting Changes from Wikidata's Edit History

Hasso Plattner Institute（哈索·普拉特纳研究所）；Facultad de Ingeniería（工程学院）

WiDiff从Wikidata完整编辑历史中提取变更，提供统一接口支持大规模分析查询，以研究知识图谱演变。

2026-09-09cs.DB

Claude AI 健康引用中的权威信号：基于权威信号框架的描述性分析

Authority Signals in Claude AI Health Citations: A Descriptive Analysis Using the Authority Signals Framework

Department of Health and Human Performance, York College, The City University of New York（健康与人类绩效系，约克学院，纽约市立大学）；Department of Health Studies & Applied Educational Psychology, Teachers College, Columbia University（健康研究与应用教育心理学系，哥伦比亚大学教师学院）；Department of Accounting and Finance, York College, The City University of New York（会计与金融系，约克学院，纽约市立大学）；Department of Public Health, William Paterson University（公共卫生系，威廉·帕特森大学）

本研究使用权威信号框架，分析 Anthropic 的 Claude AI 在回答消费者健康问题时引用来源的权威信号，发现机构来源占主导地位（97.8%），并建立了 Claude 引用行为的基线。

2026-04-17cs.AIcs.CY

通过Amazon Alexa在生物知识图谱上进行问答

Question Answering Over Biological Knowledge Graph via Amazon Alexa

RWTH Aachen University（亚琛工业大学）；Fraunhofer Institute for Applied Information Technology FIT（弗劳恩霍夫应用信息技术研究所FIT）

关于药物、基因、蛋白质、病毒及其机制的结构化和非结构化数据和事实分布在大量的科学文章中。这些文章是一个大规模的知识来源，可以对传播有关某些生物过程机制的知识产生巨大影响。知识图谱（KG）可以通过集成这些事实和数据来构建，并且用于数据集成、探索和联合查询。然而，探索和查询大规模KG是乏味的某些用户组由于缺乏知识的基础数据资产或语义技术。问答（QA）系统允许使用包含在KG中的三元组自动回答KG上的自然语言问题。最近，数字助理的使用和适应越来越广泛，因为它们能够使用户能够通过语音命令来控制智能系统或设备。本文介绍如何使用Amazon Alexa的语音接口进行KG上的QA。作为概念验证，我们使用著名的DisgeNET KG，它包含的知识涵盖了21，671个基因与30，170种疾病，病症和临床或异常人类表型之间的113万个基因-疾病关联。我们的研究表明，亚历克斯如何能够帮助从大规模的知识库中找到有关某些生物实体的事实。

2022-10-12cs.AIcs.DBcs.IR

基于朴素贝叶斯分类器和遗传算法的关联规则文本分类

Text Classification using Association Rule with a Hybrid Concept of Naive Bayes Classifier and Genetic Algorithm

International Islamic University Chittagong（吉大港国际伊斯兰大学）；School of Communication, Independent University Bangladesh（孟加拉独立大学传播学院）

文本分类是将自然语言文本根据其内容自动分配到预定义的类别。文本分类是文本检索系统和文本理解系统的主要要求，文本检索系统根据用户查询检索文本，文本理解系统以某种方式转换文本，例如生成摘要，回答问题或提取数据。文本分类的需求日益增长。考虑到这一需求，正在开发新的和更新的技术，用于自动文本分类的目的。本文提出了一种新的文本分类算法。该方法不使用词，而是使用词关系即关联规则从预先分类的文本文档中提取特征集。然后将朴素贝叶斯分类器的概念用于派生特征，最后添加了遗传算法的概念以进行最终分类。一个系统的基础上所提出的算法已经实施和测试。实验结果表明，该系统是一个成功的文本分类器。

2010-09-25cs.DBcs.IRcs.LG

知识图查询

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。

2023-05-23cs.DBcs.IRcs.LG