EntQA: Entity Linking as Question Answering
Rutgers University(罗格斯大学)
实体链接的传统方法是首先在给定文档中找到提及,然后在知识库中推断它们的底层实体。这种方法的一个众所周知的局限性是,它需要在不知道它们的实体的情况下找到提及,这是不自然和困难的。我们提出了一个新的模型,不受此限制称为EntQA,它代表实体链接作为问答。EntQA首先使用快速检索模块提出候选实体,然后使用强大的阅读器模块仔细检查文档以找到每个候选实体的提及。我们的方法结合了实体链接与开放领域问答的进展,并利用预训练模型进行密集实体检索和阅读理解。与以前的作品不同,我们不依赖于候选人词典或大规模的弱监督。EntQA在GERBIL基准测试平台上取得了优异的成绩。
2022-03-07 cs.CL cs.LG
Leveraging Frequent Query Substructures to Generate Formal Queries for Complex Question Answering
Nanjing University(南京大学)
形式化查询生成的目的是在给定实体和关系链接结果的情况下,为知识库上的问答生成正确的可执行查询。目前的方法为整个问题构建通用的释义或排名模型,这可能会在生成复杂的长尾问题的查询时失败。在本文中,我们提出了SubQG,一个新的查询生成方法的基础上频繁的查询子结构,这有助于排名现有的(但不重要的)查询结构或建立新的查询结构。我们在两个基准数据集上的实验表明,我们的方法显着优于现有的,特别是对于复杂的问题。此外,它实现了有限的训练数据和嘈杂的实体/关系链接结果有前途的性能。
2019-08-29 cs.AI cs.CL
ArcaneQA: Dynamic Program Induction and Contextualized Encoding for Knowledge Base Question Answering
The Ohio State University(俄亥俄州立大学)
基于知识库的问答(KBQA)是语义解析研究中的一个独特的挑战,这是由于两个相互交织的挑战:大的搜索空间和模式链接中的歧义。传统的基于排序的KBQA模型依赖于候选枚举步骤来减少搜索空间,在预测复杂查询时难以实现灵活性,并且具有不切实际的运行时间。在本文中,我们提出了ArcaneQA,一种新的代为基础的模型,解决了大搜索空间和模式链接的挑战,在一个统一的框架与两个相互促进的成分:动态程序归纳处理大搜索空间和动态上下文编码模式链接。在多个流行的KBQA数据集上的实验结果表明,ArcaneQA在有效性和效率方面都具有很强的竞争力。
2022-10-24 cs.CL
A General FOFE-net Framework for Simple and Effective Question Answering over Knowledge Bases
York University(约克大学);University of Toronto(多伦多大学)
基于知识库的问答(KB-QA)是近年来自然语言处理领域的一个研究热点。解决KB-QA问题的一种流行方法是使用多个NLP模块的管道,包括实体发现和链接(EDL)和关系检测。最近成功的KB-QA任务通常涉及复杂的网络结构与复杂的算法。受以前建立强大的KB-QA基线的工作的启发,我们提出了一个简单但通用的神经模型,由固定大小的顺序遗忘编码(FOFE)和深度神经网络组成,称为FOFE-net,用于解决不同阶段的KB-QA问题。为了进行评估,我们使用了两个流行的KB-QA数据集SimpleQuestions和WebQSP,以及一个新创建的数据集FreebaseQA。实验结果表明,FOFE-net在KB-QA子任务,实体发现和链接(EDL)和关系检测上表现良好,从而推动整个KB-QA系统在所有数据集上实现强大的结果。
2019-03-29 cs.AI cs.CL
Leveraging Semantic Parsing for Relation Linking over Knowledge Bases
IBM Research(IBM研究院)
知识库问答系统严重依赖于关系抽取和链接模块。然而,从文本中提取和链接关系到知识库的任务面临两个主要挑战:自然语言的模糊性和缺乏训练数据。为了克服这些挑战,我们提出了SLING,一个关系链接框架,利用语义解析,使用抽象意义表示(AMR)和远程监督。SLING集成了多种关系链接方法,这些方法可以捕获互补信号,例如语言线索,丰富的语义表示和来自知识库的信息。使用三个KBQA数据集QALD-7,QALD-9和LC-QuAD 1.0进行关系链接的实验表明,所提出的方法在所有基准测试中都达到了最先进的性能。
2020-09-16 cs.AI cs.CL
Efficient One-Pass End-to-End Entity Linking for Questions
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Facebook AI(脸书人工智能研究院);University of Washington(华盛顿大学)
我们提出了ELQ,一个快速的端到端的实体链接模型的问题,它使用一个biencoder共同执行提及检测和链接在一个通行证。在WebQSP和GraphQuestions上进行评估,扩展注释涵盖每个问题的多个实体,ELQ分别比之前的最新技术水平高出+12.7%和+19.6%F1。ELQ具有非常快的推理时间(单个CPU上1.57个示例/s),可用于下游问答系统。在一个概念验证实验中,我们证明了使用ELQ显着提高了GraphRetriever的下游QA性能(arXiv:1911.03868)。代码和数据可在https://github.com/facebookresearch/BLINK/tree/master/elq上获得
2020-10-06 cs.AI cs.CL
Towards Combinational Relation Linking over Knowledge Graphs
Fudan University(复旦大学);Wuhan University of Science and Technology(武汉科技大学)
给定一个自然语言短语,关系链接旨在从底层知识图谱中找到一个关系(谓词或属性)以匹配该短语。它在自然语言问答、个性化推荐、文本摘要等方面有着广泛的应用前景。然而,以前的关系链接算法通常为输入短语产生单个关系,而很少关注更一般和更具有挑战性的问题,即,组合关系链接,其提取子图模式以匹配复合短语(例如,mother-in-law)。本文主要研究知识图谱上的组合关系连接问题。为了解决这个问题,我们设计了一个系统的方法,基于数据驱动的关系组装技术,这是在Meta模式的指导下进行的。我们还引入了外部知识,以提高系统的理解能力。最后,我们在真实的知识图谱上进行了大量的实验,以研究所提出的方法的性能。
2019-10-24 cs.AI cs.CL
PNEL: Pointer Network based End-To-End Entity Linking over Knowledge Graphs
Language Technology Group, Universität Hamburg(汉堡大学语言技术组);Fraunhofer IAIS(弗劳恩霍夫智能分析与信息系统研究所);Smart Data Analytics Group, University of Bonn(波恩大学智能数据分析组)
问答系统通常被建模为由一系列步骤组成的流水线。在这样的管道中,实体链接(EL)通常是第一步。几个EL模型首先执行跨度检测,然后实体消歧。在这样的模型中,来自跨度检测相位的误差级联到后面的步骤,并导致整体精度的下降。此外,训练数据中缺乏黄金实体跨度是跨度检测器训练的限制因素。因此,向端到端EL模型的移动开始于不涉及单独的跨度检测步骤的地方。在这项工作中,我们提出了一种新的方法,端到端EL通过应用流行的指针网络模型,实现了竞争力的性能。我们在维基数据知识图谱上的三个数据集上进行了评估。
2020-08-31 cs.AI cs.CL
Biomedical Entity Linking with Triple-aware Pre-Training
HITEC e.V.(HITEC协会);Universität Hamburg(汉堡大学)
针对通用大语言模型在生物医学实体链接中存在的实体稀疏、缺乏实体间语义关联等问题,提出利用知识图谱合成语料预训练生成式大模型的新框架,但实验未证实加入同义词、描述或关系信息可提升性能。
2023-08-28 cs.AI cs.CL
A Practical Entity Linking System for Tables in Scientific Literature
GE Research(GE研究中心);University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校)
本文提出一个通用实体链接系统,用于将科学文献表格中的实体链接到 Wikidata,并针对 COVID-19 文献进行适配,利用表格结构特征提升性能,且通过离线实例增强实用性。
2023-06-12 cs.AI cs.CL cs.IR
RuBQ: A Russian Dataset for Question Answering over Wikidata
ITMO University(ITMO大学);JetBrains Research(JetBrains研究院);Ural Federal University(乌拉尔联邦大学)
介绍了第一个俄语知识库问答(KBQA)数据集RuBQ。高质量的数据集包括1,500个不同复杂度的俄语问题,它们的英语机器翻译,对维基数据的SPARQL查询,参考答案,以及包含俄语标签实体的三元组的维基数据样本。数据集的创建始于在线测验中的大量问答对。这些数据经过自动过滤、群体辅助实体链接、自动生成SPARQL查询以及随后的内部验证。
2020-05-21 cs.CL
Entity Linking Meets Deep Learning: Techniques and Solutions
Nankai University(南开大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Tsinghua University(清华大学);Jiangsu Normal University(江苏师范大学)
实体链接(EL)是将出现在Web文本中的实体提及与知识库中相应的实体链接的过程。EL在知识工程和数据采掘领域发挥着重要作用,是知识库填充、内容分析、关系抽取和问答等各种下游应用的基础。近年来,在各个领域取得巨大成功的深度学习(DL)也被用于EL方法,以超越传统的基于机器学习的方法并产生最先进的性能。在这项调查中,我们提出了一个全面的审查和分析现有的DL为基础的EL方法。首先,我们提出了一个新的分类,它组织现有的DL基于EL方法使用三个轴:嵌入,功能和算法。然后,我们系统地调查代表EL方法沿三个轴的分类。随后,我们介绍了10个常用的EL数据集,并给出了定量的性能分析基于DL的EL方法在这些数据集。最后,我们讨论了现有方法的局限性,并强调了一些有前途的未来方向。
2021-09-26 cs.AI cs.CL
LELA: an LLM-based Entity Linking Approach with Zero-Shot Domain Adaptation
Télécom Paris Institut Polytechnique de Paris(巴黎电信理工学院)
LELA是一种基于大语言模型的实体链接方法,通过零样本领域适应实现高效准确的实体链接,优于传统微调方法。
2026-08-07 cs.CL
Targeted Extraction of Temporal Facts from Textual Resources for Improved Temporal Question Answering over Knowledge Bases
Indian Institute of Technology, Kharagpur(印度理工学院克勒格布尔分校);IBM Research AI(IBM人工智能研究院)
知识库问答(KBQA)系统的目标是通过对从知识库(KB)检索的相关事实进行推理来回答复杂的自然语言问题。这些系统所面临的主要挑战之一是,由于不完整的知识库和实体/关系链接错误等因素,它们无法检索所有相关事实。在本文中,我们解决这个特殊的挑战,系统处理一个特定类别的问题,称为时间问题,答案推导涉及推理的事实断言点/时间间隔的各种事件。我们提出了一种新的方法,有针对性的时间事实提取技术是用来协助KBQA时,它无法检索时间事实从KB。我们使用$λ$ -问题的表达式来逻辑地表示得出答案所需的组成事实和推理步骤。这使我们能够发现那些未能从知识库中检索到的事实,并生成文本查询,以便以开放域问答的方式从文本资源中提取它们。我们评估了我们的方法在基准时间问答数据集考虑维基数据和维基百科分别作为知识库和文本资源。实验结果表明,该方法在回答正确率上相对提高了$\sim$ 30%,证明了该方法的有效性.
2022-03-21 cs.AI cs.CL
Exploring the In-context Learning Ability of Large Language Model for Biomedical Concept Linking
Case Western Reserve University(凯斯西储大学);Center for Artificial Intelligence in Drug Discovery(药物发现人工智能中心)
本研究提出一种利用大型语言模型上下文学习能力的两阶段检索与重排序框架用于生物医学概念链接,在BC5CDR等数据集上表现优异,显著提升了F1分数。
2023-07-03 cs.AI cs.CL
SPARQL Generation with Entity Pre-trained GPT for KG Question Answering
National Institute of Informatics (NII)(国立信息学研究所)
该研究面向知识图谱问答任务,以实体链接正确为前提,提出基于CWA下所有实体预训练GPT模型以生成SPARQL查询,找出了少/零样本下的难点,在3-shots测试中获62.703%的精确匹配准确率。
2024-02-01 cs.AI cs.CL cs.DB
Improved Neural Relation Detection for Knowledge Base Question Answering
IBM Research(IBM研究院);Center for Information and Language Processing, LMU Munich(慕尼黑大学语言信息处理中心);IBM Watson
关系检测是包括知识库问答(KBQA)在内的许多NLP应用的核心组件。在本文中,我们提出了一个分层递归神经网络增强的残差学习,检测知识库关系给定的输入问题。我们的方法使用深度残差双向LSTM通过不同的抽象层次来比较问题和关系名称。此外,我们提出了一个简单的KBQA系统,集成了实体链接和我们提出的关系检测器,使一个增强另一个。实验结果证明,我们的方法不仅实现了出色的关系检测性能,但更重要的是,它可以帮助我们的KBQA系统,以实现最先进的单关系(SimpleQuestions)和多关系(WebQSP)QA基准的准确性。
2017-05-27 cs.AI cs.CL cs.NE
CounQER: A System for Discovering and Linking Count Information in Knowledge Bases
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);Saarland Informatics Campus(萨尔兰信息学园区)
维基百科、DBpedia和Freebase等通用知识库的谓词约束通常限于子属性、域和范围约束。在本演示中,我们展示了CounQER,这个系统演示了计数谓词(如staffSize)和枚举谓词(如workInstitution^{-1})的对齐。在演示会议中,与会者可以检查这些对齐方式,并了解这些对齐方式对于知识库问答和策展的重要性。CounQER可在https://counqer.mpi-inf.mpg.de/spo上获得。
2020-05-07 cs.AI cs.DB cs.IR
Long-Context Long-Form Question Answering for Legal Domain
J. P. Morgan Chase(摩根大通)
本文提出了一种针对法律文档长上下文长格式问答的系统,通过解构领域词汇、解析复杂布局和生成全面回答,提升问答精度与实用性。
2026-02-06 cs.AI cs.CL
TVQA+: Spatio-Temporal Grounding for Video Question Answering
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
我们提出了时空视频问答的任务,这需要智能系统同时检索相关的时刻,并检测参考的视觉概念(人和物体),以回答有关视频的自然语言问题。我们首先使用310.8K边界框来增强TVQA数据集,将所描绘的对象与问题和答案中的视觉概念联系起来。我们将这个增强版本命名为TVQA+。然后,我们提出了基于证据的时空应答器(STAGE),这是一个统一的框架,可以在空间和时间域中提供证据来回答有关视频的问题。综合实验和分析表明,我们的框架的有效性,以及如何丰富的注释在我们的TVQA+数据集可以有助于问答任务。此外,通过执行这个联合任务,我们的模型能够产生有见地和可解释的时空注意力可视化。数据集和代码可在以下网址公开获取:http://tvqa.cs.unc.edu,https://github.com/jayleicn/TVQAplus
2020-05-11 cs.AI cs.CL cs.CV
BYOKG-RAG: Multi-Strategy Graph Retrieval for Knowledge Graph Question Answering
Amazon(亚马逊)
BYOKG-RAG通过LLM生成图构件并结合多种图检索工具迭代优化,在五个基准上比次优方法高4.5个百分点,提升自定义知识图谱问答的泛化性与鲁棒性。
2025-07-05 cs.CL
Strong Baselines for Simple Question Answering over Knowledge Graphs with and without Neural Networks
David R. Cheriton School of Computer Science(大卫·R·谢里顿计算机科学学院);University of Waterloo(滑铁卢大学)
我们研究了知识图谱上的问答问题,重点是可以通过查找单个事实来回答的简单问题。采用一个简单的问题分解为实体检测,实体链接,关系预测和证据组合,我们探索简单而强大的基线。在流行的SimpleQuestions数据集上,我们发现基本的LSTM和GRU加上一些算法产生的准确性接近最先进的水平,并且不使用神经网络的技术也表现得相当好。这些结果表明,从文献中提出的复杂深度学习技术中获得的收益是相当适度的,并且一些以前的模型表现出不必要的复杂性。
2018-06-05 cs.CL
LNN-EL: A Neuro-Symbolic Approach to Short-text Entity Linking
MIT(麻省理工学院);IBM Research(IBM研究院);University of Oregon(俄勒冈大学)
实体链接(EL),通过将文本中的提及链接到知识图谱中的实体来消除歧义的任务,对于文本理解,问答或会话系统至关重要。短文本上的实体链接(例如,单个句子或问题)由于上下文有限而提出了特别的挑战。虽然以前的方法使用的是逻辑或黑盒神经方法,但在这里,我们提出了LNN-EL,这是一种神经符号方法,它结合了使用基于一阶逻辑的可解释规则与神经学习性能的优点。尽管受限于使用规则,LNN-EL与SotA黑盒神经方法相比具有竞争力,并且具有可扩展性和可移植性的额外优势。特别是,我们表明,我们可以很容易地混合现有的规则模板由人类专家,多种类型的功能(先验,BERT编码,框嵌入等),甚至从以前的EL方法产生的分数,从而改善了这种方法。例如,在LC-QuAD-1.0数据集上,我们显示F1评分比之前的SotA增加了$4$ \%以上。最后,我们表明,使用逻辑提供的归纳偏差导致学习规则在数据集之间传输良好,即使没有微调,同时保持高精度。
2021-06-17 cs.AI cs.CL cs.SC
End-to-End Entity Linking and Disambiguation leveraging Word and Knowledge Graph Embeddings
University of Bonn(波恩大学);Fraunhofer IAIS(弗劳恩霍夫应用信息技术研究所);Ruhr University Bochum(波鸿鲁尔大学)
实体链接-将自然语言话语中的实体提及连接到知识图谱(KG)实体是KG上的问答的关键步骤。它通常基于测量实体标签与问题中提到的实体之间的字符串相似性。问题中提到的关系有助于消除具有相同标签的实体之间的歧义。如果在关系链接步骤中已经识别出不正确的关系,则这可能是误导性的。然而,不正确的关系可能仍然在语义上类似于正确实体在KG内形成三元组的关系;这可以通过它们的KG嵌入的相似性来捕获。基于这一思想,我们提出了第一个端到端的神经网络方法,采用KG以及词嵌入来执行简单问题的联合关系和实体分类,同时隐式地执行实体消歧与一种新的门控机制的帮助。实证评估表明,所提出的方法实现了性能相当于国家的最先进的实体链接,同时需要较少的后处理。
2020-02-25 cs.CL
Evaluating Architectural Choices for Deep Learning Approaches for Question Answering over Knowledge Bases
Bielefeld University(比勒费尔德大学)
基于知识库回答自然语言问题的任务近年来受到了广泛的关注。各种深度学习架构已被提出用于此任务。然而,建筑设计的选择通常不会在相同的条件下进行系统的比较或评估。在本文中,我们有助于更好地了解建筑设计选择的影响,通过评估四个不同的建筑在相同的条件下。我们解决的任务是回答简单的问题,包括在预测的主题和谓词的三元组给出一个问题。为了提供一个公平的比较不同的架构,我们评估他们在相同的策略下推断的主题,并比较不同的架构推断的谓词。用于推断主题的架构基于标准LSTM模型,该模型被训练成识别问题中的主题的跨度,并且基于将主题跨度链接到知识库中的实体的链接组件。谓词推理的架构基于i)一个标准的softmax分类器,范围覆盖所有谓词作为输出,iii)一个模型,预测给定实体表示和问题的属性的低维编码,iii)一个模型,学习对给定问题的一对主语和谓语进行评分,以及iv)一个基于众所周知的FastText模型的模型。通过对几种结构的比较表明,FastText结构比其它结构具有更好的性能。
2018-12-13 cs.AI cs.CL
TweetNERD -- End to End Entity Linking Benchmark for Tweets
Twitter, Inc.(推特公司)
命名实体识别和消歧(NERD)系统是信息检索、问答、事件检测和其他自然语言处理(NLP)应用的基础。我们介绍了TweetNERD,一个2010-2021年的340 K+推文数据集,用于对推文上的NERD系统进行基准测试。这是NERD在Twitter上最大和最具时间多样性的开源数据集基准,可用于促进该领域的研究。我们描述了三个NERD任务的TweetNERD评估设置:命名实体识别(NER),实体链接与真实跨度(EL),端到端实体链接(End 2 End);并提供现有的公开方法对特定TweetNERD分裂的性能。TweetNERD可在:https://doi.org/10.5281/zenodo.6617192根据知识共享署名4.0国际(CC BY 4.0)许可证。请访问https://github.com/twitter-research/TweetNERD查看更多详细信息。
2022-10-14 cs.AI cs.CL cs.IR
KGMEL: Knowledge Graph-Enhanced Multimodal Entity Linking
KAIST(韩国科学技术院);Hanyang University(翰林大学)
KGMEL利用知识图谱三元组增强多模态实体链接,通过生成、检索和重排序三阶段框架,在基准数据集上超越现有方法。
2025-04-21 cs.AI cs.CL cs.IR
Simple Question Answering by Attentive Convolutional Neural Network
IBM Watson Group(IBM沃森集团)
这项工作的重点是通过Freebase回答单一关系的事实问题。每个问题都可以从Freebase中的单个形式事实(主语,谓语,宾语)中获得答案。这个任务,简单的问答(SimpleQA),可以通过两步管道来解决:实体链接和事实选择。在事实选择中,我们通过字符级卷积神经网络(char-CNN)将事实候选中的主题实体与问题中提到的实体进行匹配,并通过单词级CNN(word-CNN)将该事实中的谓词与问题进行匹配。这项工作有两个主要贡献。(i)提出了一种简单有效的基于Freebase的实体连接器。我们的实体链接器优于SimpleQA任务的最先进的实体链接器。(ii)一种新的注意力最大池堆叠在词CNN上,使得谓词表示可以更有效地与以谓词为中心的问题表示相匹配。实验表明,我们的系统设置新的国家的最先进的这项任务。
2016-10-11 cs.CL
Konstruktor: A Strong Baseline for Simple Knowledge Graph Question Answering
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术学院);Artificial Intelligence Research Institute(人工智能研究院);Nazarbayev University(纳扎尔巴耶夫大学)
本文提出Konstruktor方法,通过结合语言模型与知识图谱,将简单知识图谱问答分解为实体抽取链接、关系预测和图谱查询三步,在四个数据集上取得强基线效果。
2024-09-24 cs.CL
Efficient Multi-Hop Question Answering over Knowledge Graphs via LLM Planning and Embedding-Guided Search
Department of Computer Science, Drexel University, Philadelphia, PA, USA(计算机科学系,德雷塞尔大学,费城,宾夕法尼亚州,美国)
本文提出两种混合算法,通过LLM规划和嵌入引导搜索实现高效且可验证的多跳知识图谱问答,提升推理效率与准确性。
2025-11-24 cs.AI cs.CL
Complex Factoid Question Answering with a Free-Text Knowledge Graph
University of Maryland(马里兰大学);Microsoft AI & Research(微软AI与研究院);Google Research Zürich(苏黎世谷歌研究院)
我们介绍DELFT,一个事实的问答系统,结合了细微差别和深度的知识图谱问答方法与自由文本的覆盖面更广。DELFT从Wikipedia构建了一个自由文本知识图谱,其中实体作为节点,实体共同出现的句子作为边。对于每个问题,DELFT使用文本句子作为边来找到将问题实体节点连接到候选者的子图,从而创建密集且高覆盖率的语义图。一种新颖的图神经网络在自由文本图上进行推理,通过沿边的信息组合节点上的证据,以选择最终答案。在三个问答数据集上的实验表明,DELFT比基于机器阅读的模型、基于伯特的答案排序和记忆网络更好地回答实体丰富的问题。DELFT的优势来自于其自由文本知识图谱的高覆盖率--是dbpedia关系的两倍多--以及新颖的图神经网络,它基于丰富但有噪声的自由文本证据进行推理。
2021-03-23 cs.CL cs.IR
Effective Few-Shot Named Entity Linking by Meta-Learning
Tsinghua University(清华大学);East China Normal University(华东师范大学);Shandong University(山东大学)
实体链接的目的是将模糊提及链接到知识库中的相应实体,这对于各种下游应用来说是重要的和基本的,例如,知识库完成、问答和信息抽取。虽然人们在这方面付出了巨大的努力,但大多数研究都假设大规模的标记数据是可用的。然而,当标记的数据是不够的特定领域,由于劳动密集型的注释工作,现有的算法的性能将遭受无法忍受的下降。在本文中,我们致力于解决的问题,Few-Shot实体连接,它只需要最小量的域内标记数据,在实际情况中更实用。具体来说,我们首先提出了一种新的弱监督策略,以产生非平凡的合成实体提及对的基础上提到重写。由于合成数据的质量对有效的模型训练有着至关重要的影响,我们进一步设计了一个元学习机制来自动为每个合成实体-提及对分配不同的权重。通过这种方式,我们可以深入挖掘丰富而宝贵的语义信息,在Few-Shot的设置下得到一个训练有素的实体连接模型。在真实数据集上的实验结果表明,该方法能够有效地改进现有的Few-Shot实体链接模型,并在只有少量标记数据的情况下获得令人瞩目的性能.此外,我们还证明了该模型的可移植性的突出能力。
2022-07-19 cs.CL
Mind the Ambiguity: Aleatoric Uncertainty Quantification in LLMs for Safe Medical Question Answering
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出AU-Probe框架,通过检测输入模糊性提升医疗问答的安全性与准确性。
2026-01-24 cs.AI cs.CL
A Knowledge Graph Based Solution for Entity Discovery and Linking in Open-Domain Questions
Peking University(北京大学);Harbin Institute of Technology(哈尔滨工业大学)
命名实体发现和链接是问答系统的基础和核心部分。在问句实体发现与链接(Question Entity Discovery and Linking,QEDL)问题中,由于短问句中的多个实体很难被完全发现,而短文本中的不完整信息又使得实体链接难以实现,从而对传统的方法提出了挑战。为了克服这些困难,我们提出了一个基于知识图谱的QEDL解决方案,并开发了一个系统,包括问题实体发现(QED)模块和实体链接(EL)模块。QED模块的方法是两种方法的折衷和集成。一种是基于知识图谱检索的方法,该方法能够提取更多的问题实体,保证召回率;另一种是基于条件随机场(CRF)的方法,该方法提高了查准率。将EL模块视为一个排序问题,利用学习排序(LTR)方法,结合语义相似度、文本相似度和实体流行度等特征,提取并充分利用短文本中的信息。在一个共享的QEDL评估任务的官方数据集上,我们的方法可以获得64.44%的QED和64.86%的EL的F1分数,排名第二,这表明它对QEDL问题的实际使用。
2018-12-05 cs.CL cs.IR
Query-Side Attacks on GNN-Based KGQA: Tracing Failures from Entity Linking to Answer Generation
National Institute of Science Education and Research(国家科学教育与研究学院);Homi Bhabha National Institute(霍米·巴巴国家学院)
该研究针对基于GNN的KGQA流水线提出两种查询侧对抗扰动,发现子图构建是鲁棒性瓶颈,而非GNN推理,为KGQA的鲁棒性优化提供了明确方向。
2026-09-23 cs.AI cs.CL cs.IR
Investigating Entity Knowledge in BERT with Simple Neural End-To-End Entity Linking
University of Mannheim(曼海姆大学)
端到端实体链接系统的典型架构包括三个步骤:提及检测、候选生成和实体消歧。在这项研究中,我们调查了以下问题:(a)所有这些步骤都可以与上下文文本表示模型,即BERT(Devlin等人,2019年)?(b)预训练的BERT中已经包含了多少实体知识?(c)额外的实体知识是否提高了BERT在下游任务中的性能?为此,我们提出了一种对实体链接设置的极端简化,效果非常好:只需将其转换为整个实体词汇表(在我们的情况下超过70万个类)上的每个标记分类。我们在一个实体链接基准上表明:(i)该模型改进了普通BERT的实体表示,(ii)它优于单独优化任务的实体链接架构,以及(iii)它仅次于当前最先进的技术,即联合提到检测和实体消歧。此外,我们调查的有用性的实体感知令牌表示的文本理解基准GLUE,以及问答基准SQUAD V2和SWAG和EN-DE WMT 14机器翻译基准。令我们惊讶的是,我们发现这些基准测试中的大多数并没有从额外的实体知识中受益,除了一个具有非常小的训练数据的任务,即GLUE中的RTE任务,它提高了2%。
2020-03-11 cs.CL cs.LG
DecAF: Joint Decoding of Answers and Logical Forms for Question Answering over Knowledge Bases
Carnegie Mellon University(卡内基梅隆大学);AWS AI Labs(亚马逊云科技人工智能实验室)
本文提出 DecAF 框架,通过联合生成逻辑形式和直接答案并结合二者优点,同时采用无需实体链接的自由文本检索,在多个知识库问答基准上取得最优或竞争性结果。
2023-04-14 cs.AI cs.CL cs.LG
DeepSpecs: Expert-Level Questions Answering in 5G
University of California, Los Angeles(加州大学洛杉矶分校)
提出DeepSpecs,一个通过SpecDB、ChangeDB和TDocDB三个元数据库增强结构与时间推理的RAG系统,解决5G规范问答中交叉引用解析与版本演进追踪问题,显著提升答案质量。
2025-11-03 cs.AI cs.CL cs.NI
Graph based Question Answering System
College of Engineering, Pune(浦那工程学院);C-DAC(印度先进计算发展中心)
在今天的数字时代,在大数据分析的黎明时代,不是信息,而是通过实体和行动定义话语的信息链接。任何文本数据,无论是在互联网上离线(如报纸数据,维基百科转储等),基本上是连接信息,不能被视为孤立的健康语义。需要一种具有适当信息抽取的自动检索过程,以将数据结构化,用于相关和快速的文本分析。第一个大挑战是将非结构化文本数据转换为结构化数据。与其他数据库不同,图形数据库优雅地处理关系和连接。我们的项目旨在开发一个基于图的信息抽取和检索系统。
2018-12-05 cs.CL cs.IR
S2abEL: A Dataset for Entity Linking from Scientific Tables
University of Michigan(密歇根大学);Allen Institute for AI(艾伦人工智能研究所)
该研究推出首个面向科学表格的实体链接数据集S2abEL,含732张表格的8429个单元格的人工标注,提出适配知识库外提及的神经基线方法,性能优于通用SOTA方法,同时指出仍有提升空间。
2023-04-30 cs.CL cs.IR cs.LG
DESCGEN: A Distantly Supervised Dataset for Generating Abstractive Entity Descriptions
University of Washington(华盛顿大学)
实体的简短文本描述提供了其关键属性的摘要,并且已被证明是用于诸如实体链接和问答之类的任务的背景知识的有用来源。然而,生成实体描述,特别是对于新的和长尾实体,可能具有挑战性,因为相关信息通常分散在具有不同内容和风格的多个源中。我们引入DESCGEN:给定分布在多个文档中的提及,目标是生成实体摘要描述。DESCGEN由来自维基百科和Fandom的37 K实体描述组成,每个描述平均与9个证据文档配对。这些文件是通过实体链接和超链接到维基百科和Fandom实体页面的组合来收集的,它们共同提供了高质量的远程监督。由此产生的摘要比现有数据集中的摘要更抽象,并为描述新的和正在出现的实体的挑战提供了更好的代理。我们还提出了一个两阶段提取然后生成基线,并表明最先进的模型和人类表现之间存在很大的差距(ROUGE-L中为19.9%),这表明数据将支持未来的重要工作。
2021-06-16 cs.AI cs.CL
MapperGPT: Large Language Models for Linking and Mapping Entities
Semanticly Ltd.(森曼蒂克利有限公司);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室);Robert Bosch LLC(罗伯特·博世有限责任公司)
针对实体映射中词汇方法精确率低、需人工优化的问题,提出 MapperGPT 方法,结合大语言模型与高召回启发式方法优化映射,在多领域任务上准确率超越现有最优方法。
2023-10-05 cs.AI cs.CL
MuISQA: Multi-Intent Retrieval-Augmented Generation for Scientific Question Answering
Zhongke Zidong Taichu (Beijing)(中科紫东太初(北京));Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);Wuhan AI Research(武汉人工智能研究院)
MuISQA提出一种多意图检索增强生成框架,通过意图感知检索和RRF融合提升科学问答任务的证据覆盖和检索准确性。
2025-11-20 cs.AI
DrugEHRQA: A Question Answering Dataset on Structured and Unstructured Electronic Health Records For Medicine Related Queries
University of Florida(佛罗里达大学);The University of Texas Health Science Center at Houston(德克萨斯大学休斯顿健康科学中心)
本文开发了第一个问答数据集(DrugEHRQA),其中包含来自公共电子健康记录(EHR)的结构化表格和非结构化笔记的问答对。EHR包含存储在结构化表格和非结构化临床笔记中的患者记录。结构化和非结构化EHR中的信息并不是严格分离的:信息可能重复、矛盾或在这些来源之间提供额外的上下文。我们的数据集包含与药物相关的查询,包含超过70,000个问答对。为了提供基线模型并帮助分析数据集,我们使用了一个简单的模型(MultimodalEHRQA),该模型使用模态选择网络的预测来选择EHR表和临床笔记来回答问题。这用于将问题导向基于表格或基于文本的最先进QA模型。为了解决复杂的嵌套查询所带来的问题,这是第一次使用文本到SQL解析器(RAT-SQL)的XML感知模式编码和链接来测试EHR数据中查询模板的结构。我们的目标是提供一个基准数据集的多模态QA系统,并开辟了新的研究途径,提高问答EHR结构化数据,通过使用上下文从非结构化的临床数据。
2022-05-03 cs.AI
SEAL: Self-Evolving Agentic Learning for Conversational Question Answering over Knowledge Graphs
Institute of Big Data and Artificial Intelligence, China Telecom Research Institute(大数据与人工智能研究院,中国电信研究院);Wangxuan Institute of Computer Technology, Peking University(王宣计算机技术研究所,北京大学);School of Artificial Intelligence, China University of Geosciences (Beijing)(人工智能学院,中国地质大学(北京));Center for Cognition and Neuroergonomics, State Key Laboratory of Cognitive Neuroscience and Learning, Beijing Normal University(认知与神经工效学中心,认知神经科学与学习国家重点实验室,北京师范大学);Institute of Artificial Intelligence and Future Networks, Beijing Normal University(人工智能与未来网络研究院,北京师范大学)
提出SEAL两阶段语义解析框架,通过自我演进智能体学习解决知识图谱对话问答中的指代消解、上下文依赖和复杂逻辑推理问题,在SPICE基准上达到最先进性能。
2026-05-26 cs.AI cs.CL
LELA: An End-to-end LLM-based Entity Linking Framework with Zero-shot Domain Adaptation
本文提出LELA,一种基于大语言模型的模块化、领域无关的实体消歧方法,并扩展为实用的Python库,集成零样本命名实体识别,实现端到端实体链接,实验验证其跨领域性能与鲁棒性。
2026-05-26 cs.AI cs.CL
KILT: a Benchmark for Knowledge Intensive Language Tasks
Facebook AI Research(脸书人工智能研究院);University College London(伦敦大学学院);LORIA(洛林计算机科学及其应用实验室);University of Cambridge(剑桥大学);HuggingFace(HuggingFace公司);University of Amsterdam(阿姆斯特丹大学)
诸如开放域问答、事实检查、槽填充和实体链接之类的测试问题需要访问大量的外部知识源。虽然一些模型在个别任务上表现良好,但开发通用模型是困难的,因为除了专用的基础设施之外,每个任务可能需要对自定义知识源进行计算昂贵的索引。为了促进对大型文本资源中特定信息的模型的研究,我们提出了一个知识密集型语言任务(KILT)的基准。KILT中的所有任务都基于维基百科的同一快照,通过重用组件减少了工程周转,并加速了对任务无关内存架构的研究。我们测试特定任务和一般基线,评估下游性能以及模型提供出处的能力。我们发现,一个共享的密集矢量索引加上seq2seq模型是一个强大的基线,优于更多的量身定制的方法,事实检查,开放域问答和对话,并产生竞争力的结果,实体链接和插槽填充,通过生成消歧文本。KILT数据和代码可在https://github.com/facebookresearch/KILT上获得。
2021-05-27 cs.AI cs.CL cs.IR
Where on Earth Do Users Say They Are?: Geo-Entity Linking for Noisy Multilingual User Input
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
针对嘈杂多语言社交媒体数据的地理实体链接问题,提出利用已标注位置名称的平均嵌入表示现实位置,并通过可解释置信度分数实现选择性预测,有效提升了全球多语言数据集上的链接效果。
2024-04-29 cs.AI cs.CL
HistoryBankQA: Multilingual Temporal Question Answering on Historical Events
本文提出了包含1000万以上历史事件的多语言数据库HistoryBank,并构建了涵盖6种时序推理任务的问答基准,评估了多种流行语言模型在多语言历史事件时序推理上的表现。
2025-09-16 cs.CL
Team Fusion@ SU@ BC8 SympTEMIST track: transformer-based approach for symptom recognition and linking
FMI, Sofia University St. Kliment Ohridski(索非亚大学圣克利门特奥赫里德斯基学院数学与信息学系);Ontotext
本文提出基于 transformer 的方法解决 SympTEMIST 命名实体识别和实体链接任务,通过微调 RoBERTa 模型和知识库选择提升准确性。
2026-04-07 cs.AI cs.CL
CiteGuard-RAG: A Validation-Centered AI System for Evidence-Grounded Question Answering
Western Michigan University(西密歇根大学)
CiteGuard-RAG提出以验证为中心的RAG系统,集成混合检索、引用约束生成和句子级验证,在400题评估中实现99.1%检索准确率,证明显式验证对可信答案的关键作用。
2026-09-15 cs.AI cs.CL cs.IR
RnG-KBQA: Generation Augmented Iterative Ranking for Knowledge Base Question Answering
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Salesforce Research(赛富时研究院)
现有的KBQA方法,尽管在i.i.d.测试数据通常难以归纳出涉及不可见的KB模式项的问题。先前的基于排名的方法已经在推广方面取得了一些成功,但受到覆盖问题的困扰。我们提出了RnG-KBQA,排名和生成方法KBQA,它补救了覆盖问题的生成模型,同时保持了强大的泛化能力。我们的方法首先使用一个对比排序器来排列一组通过搜索知识图谱获得的候选逻辑形式。然后,它引入了一个定制的生成模型的问题和排名靠前的候选人组成的最终逻辑形式的条件。我们在GrailQA和WebQSP数据集上取得了最新的成果。特别是,我们的方法在GrailQA排行榜上远远超过了现有的最先进的方法。此外,RnG-KBQA在流行的WebQSP基准测试中优于所有先前的方法,甚至包括使用Oracle实体链接的方法。实验结果表明,排名和生成之间的相互作用的有效性,这导致我们提出的方法在所有设置的优越性能,特别是强大的改进zero-shot泛化。
2022-03-21 cs.CL
Joint Open Knowledge Base Canonicalization and Linking
Nankai University(南开大学);Tsinghua University(清华大学)
开放式信息抽取(OIE)方法从文本中抽取出大量的OIE三元组(名词短语、关系短语、名词短语),组成大型的开放式知识库(OKB)。然而,OKB中的名词短语和关系短语并不规范,经常出现在不同的释义文本变体中,这导致了冗余和歧义的事实。为了解决这个问题,有两个相关的任务:OKB规范化(即,将NP和RP转化为规范化形式)和OKB连接(即,将NP和RP与它们在策划的知识库中的对应实体和关系链接起来(例如,DBPedia)。这两个任务是紧密耦合的,一个任务可以从另一个任务中受益匪浅。然而,迄今为止,它们一直被孤立地研究。本文首次探讨了OKB规范化和链接的联合任务,并提出了一个基于因子图模型的新框架JOCL,使两者相互加强。JOCL足够灵活,可以结合来自两个任务的不同信号,并能够扩展以适应任何新的信号。通过对两个大规模OIE三重数据集的实验研究表明,我们的框架在平均F1(准确性)方面优于所有用于OKB规范化(OKB链接)任务的基线方法。
2022-12-02 cs.AI cs.CL
Enhancing Retrieval-Augmented Generation with Entity Linking for Educational Platforms
Department of Mathematics and Computer Science, University of Catania, Italy(卡塔尼亚大学数学与计算机科学系);Institute of Cognitive Sciences and Technologies (ISTC), National Research Council of Italy (CNR)(意大利国家研究委员会认知科学与技术研究所(ISTC))
本文提出ELERAG架构,通过实体链接增强事实信号,提升教育问答系统在意大利语领域的准确性,实验显示其在专业领域表现优异,但通用领域效果不如交叉编码器。
2026-03-10 cs.AI cs.CL cs.IR