TAT-QA: A Question Answering Benchmark on a Hybrid of Tabular and Textual Content in Finance
National University of Singapore(新加坡国立大学);Estates Pte Ltd(六域私人有限公司);Sichuan University(四川大学);Bloomberg(彭博社)
将表格和文本内容相结合的混合数据(例如,财务报告)在现实世界中相当普遍。然而,在这种混合数据的问答(QA)在很大程度上被忽视,在现有的研究。在这项工作中,我们从真实的财务报告中提取样本,构建一个新的大规模QA数据集,包含表格和文本数据,命名为TAT-QA,其中通常需要数值推理来推断答案,如加,减,乘,除,计数,比较/排序和组合。我们进一步提出了一种新的QA模型称为TAGOP,这是能够推理表和文本。它采用序列标记从表中提取相关单元格以及从文本中提取相关跨度来推断它们的语义,然后使用一组聚合算子对它们进行符号推理以获得最终答案。在TAT-QA上的实验结果表明,在F1中,TAGOP达到了58.0%,比以前的最佳基线模型提高了11.1%。但这一结果仍然远远落后于专家人类的表现,即在F1中的90.8%。它表明,我们的TAT-QA是非常具有挑战性的,可以作为一个基准,训练和测试强大的QA模型,解决混合形式的数据。
2021-06-01 cs.AI cs.CL
Exploring Hybrid Question Answering via Program-based Prompting
Harbin Institute of Technology(哈尔滨工业大学);Research Center for Social Computing and Information Retrieval(社会计算与信息检索研究中心)
本文提出HProPro,一种基于程序的提示框架,通过代码生成与执行范式及函数声明与实现,在无需专门检索器或模态转换的情况下实现混合问答,在HybridQA和MultiModalQA基准上超越所有基线系统并取得最佳少样本性能。
2024-02-16 cs.CL
Domain-specific Question Answering with Hybrid Search
Adobe Inc.(奥多比公司)
本文提出一种结合微调密集检索器与稀疏搜索的混合问答方法,利用多信号加权评分显著提升了企业环境中领域特定问答的准确性与上下文稳健性。
2024-12-21 cs.CL
HPE:Answering Complex Questions over Text by Hybrid Question Parsing and Execution
Salesforce Research(赛富时研究院);Yale University(耶鲁大学)
本文提出HPE框架,通过将复杂问题解析为H-expression中间表示并结合混合执行器,在文本问答中实现了神经与符号方法的优势互补,在多种设置下优于现有方法且提升了可解释性。
2024-01-06 cs.AI cs.CL
A Hybrid Search for Complex Table Question Answering in Securities Report
针对LLMs难以捕捉复杂表格结构导致问答错误的问题,提出基于混合检索机制估计表头、交叉点选答案且模型经对比学习优化的方法,在U4数据集上准确率达74.6%,优于GPT-4o mini等模型。
2025-11-12 cs.AI cs.CL
Exploiting Hybrid Semantics of Relation Paths for Multi-hop Question Answering Over Knowledge Graphs
Peking University(北京大学);Tencent(腾讯)
在知识图谱(KGQA)上表达自然语言问题对于通过多跳推理理解复杂问题仍然是一个巨大的挑战。以往的研究通常利用大规模的实体相关文本语料库或知识图谱(KG)作为辅助信息,以促进答案的选择。然而,丰富的语义隐含在现成的实体之间的关系路径远未得到很好的探索。本文提出利用关系路径的混合语义来改进多跳KGQA。具体来说,我们集成了显式的文本信息和隐含的KG结构特征的关系路径的基础上一个新的旋转和缩放实体链接预测框架。在现有的三个KGQA数据集上的大量实验证明了该方法的优越性,特别是在多跳场景中。进一步的研究证实了我们的方法的系统协调问题和关系路径识别答案实体。
2022-09-02 cs.CL
Answering Numerical Reasoning Questions in Table-Text Hybrid Contents with Graph-based Encoder and Tree-based Decoder
Institute of Automation, CAS(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);Beijing Academy of Artificial Intelligence(北京智源人工智能研究院)
在现实世界的问答场景中,表格和文本相结合的混合形式越来越受到人们的关注,其中数值推理问题是最典型和最具挑战性的问题之一。现有的方法通常采用编码器-解码器框架来表示混合内容并生成答案。然而,它不能捕捉编码器端的数值、表模式和文本信息之间的丰富关系。解码器使用一个简单的预定义的操作分类器,这是不够灵活,以处理不同的表达式的数值推理过程。针对这些问题,本文提出了一种基于\textbf{T}语言的\textbf{G}增强型\textbf{H}混合表-文本\textbf{N}数值推理模型(\textbf{RegHNT}).它将表-文本混合内容上的数字问答建模为表达式树生成任务。此外,我们提出了一种新的关系图建模方法,模型之间的对齐问题,表格和段落。我们验证了我们的模型上公开的表-文本混合QA基准(TAT-QA)。建议的RegHNT显着优于基线模型,并实现国家的最先进的结果。我们在https://github.com/lfy79001/RegHNT公开发布了源代码和数据(2022-05-05)。
2022-10-20 cs.CL
Hybrid-IR: Dual-Path Hybrid Retrieval with Iterative Reasoning for Complex Medical Question Answering
College of Artificial Intelligence, Nanjing Agricultural University(南京农业大学人工智能学院);School of Computer Science and Engineering, Nanjing University of Science and Technology(南京理工大学计算机科学与工程学院)
提出Hybrid-IR框架,结合图检索与稠密检索的双路径检索机制,并通过迭代检索-推理循环逐步优化推理轨迹,有效解决复杂医学问答中知识碎片化和静态检索不足的问题。
2026-06-25 cs.CL
A Hybrid Approach to Query Answering under Expressive Datalog+/-
Oxford-Man Institute of Quantitative Finance(牛津-曼量化金融研究所);University of Oxford(牛津大学);Carleton University(卡尔顿大学)
Datasheet +/-是一个本体语言家族,它结合了良好的计算特性和高表达能力。Datatron +/-语言可以证明能够捕获最相关的语义Web语言。在本文中,我们考虑类弱粘性(WS)的Datasheet +/-程序,允许某些有用的形式的连接在规则机构,以及扩展著名的类弱非循环TGD。到目前为止,只有非确定性算法被用于回答WS Datasheet +/-程序上的查询。我们提出了新的确定性查询应答算法在WS Datestock +/-。我们特别建议:(1)基于查询驱动的追踪的自底向上的基础算法,以及(2)基于将WS程序变换成所谓的粘性程序的混合方法,对于该混合方法,查询重写技术是已知的。我们讨论了我们的算法可以优化和有效地应用于查询回答在现实世界中的场景。
2016-07-25 cs.AI cs.DB
BlendSQL: A Scalable Dialect for Unifying Hybrid Question Answering in Relational Algebra
Fidelity Investments(富达投资)
本文提出BlendSQL,一种基于SQLite超集的统一方言,通过将多跳混合问答的完整推理路线图编码为单个可解释查询,在减少35% token用量的同时提升端到端系统在大规模数据上的性能。
2024-06-10 cs.CL
NeuSym-RAG: Hybrid Neural Symbolic Retrieval with Multiview Structuring for PDF Question Answering
MoE Key Lab of Artificial Intelligence(摩尔电子关键实验室);X-LANCE Lab, School of Computer Science, Shanghai Jiao Tong University(X-LANCE实验室,计算机科学学院,上海交通大学);Jiangsu Key Lab of Language Computing(江苏语言计算重点实验室);AISpeech Co., Ltd.(AISpeech公司);Suzhou Laboratory(苏州实验室)
提出NeuSym-RAG混合神经符号检索框架,通过多视图分块和模式解析将PDF内容组织进关系数据库与向量库,支持LLM代理迭代收集上下文生成答案,在多个PDF问答数据集上稳定击败基线。
2025-05-31 cs.AI cs.CL
Deceiving Question-Answering Models: A Hybrid Word-Level Adversarial Approach
University of Technology Sydney(悉尼科技大学);Shandong University(山东大学)
本文提出QA-Attack词级对抗策略,利用定制注意力机制和删除排序策略替换同义词,在保持语法完整性的同时成功欺骗问答模型,并在多项指标上超越现有对抗技术。
2024-11-12 cs.AI cs.CL cs.LG
MuGER$^2$: Multi-Granularity Evidence Retrieval and Reasoning for Hybrid Question Answering
Harbin Institute of Technology(哈尔滨工业大学);JD AI Research(京东人工智能研究院)
混合问答(HQA)旨在回答异构数据的问题,包括表格和链接到表格单元格的段落。异构数据可以为HQA模型提供不同粒度的证据,例如,列、行、单元格和链接。传统的HQA模型通常检索粗粒度或细粒度的证据来推理答案。通过比较,我们发现粗粒度的证据更容易检索,但对推理机的贡献较小,而细粒度的证据则相反。为了保留不同粒度证据的优点,消除其缺点,我们提出了MuGER $^2$,一种多粒度证据检索和推理方法。在证据检索中,设计了一个统一的检索器,用于从异构数据中学习多粒度证据。在答案推理中,提出了一种证据选择器,用于根据学习到的多粒度证据为答案阅读器导航细粒度证据。在HybridQA数据集上的实验结果表明,MuGER $^2$显著提高了HQA性能.进一步的消融分析验证了检索和推理设计的有效性。
2022-10-19 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
Simorgh at SemEval-2026 task 7: Region-Aware Hybrid Retrieval for Low-Resource Cultural Reasoning in Multilingual Question Answering
University of Tabriz(塔布里兹大学)
提出区域感知混合检索方法,结合BM25和稠密语义相似度与区域加权启发式,以提升多语言文化问答的跨语言稳定性。
2026-05-26 cs.CL
Dual Reader-Parser on Hybrid Textual and Tabular Evidence for Open Domain Question Answering
AWS AI Labs, Amazon(亚马逊 AWS 人工智能实验室)
当前的开放域问答生成模型主要集中在从非结构化文本信息中生成直接答案。然而,世界上大量的知识存储在结构化数据库中,并且需要使用诸如SQL的查询语言来访问。此外,查询语言可以回答需要复杂推理的问题,并提供充分的解释能力。在本文中,我们提出了一个混合框架,以文本和表格的证据作为输入,并生成直接的答案或SQL查询,这取决于哪种形式可以更好地回答问题。然后可以在关联的数据库上执行生成的SQL查询以获得最终答案。据我们所知,这是第一篇将Text 2SQL应用于ODQA任务的论文。从经验上讲,我们证明了在几个ODQA数据集上,混合方法的性能始终优于只采用同质输入的基线模型。具体来说,我们使用基于T5的模型在OpenSQuAD数据集上实现了最先进的性能。在详细的分析中,我们证明了能够生成结构化SQL查询总是可以带来收益,特别是对于那些需要复杂推理的问题。
2021-12-08 cs.CL
S$^3$HQA: A Three-Stage Approach for Multi-hop Text-Table Hybrid Question Answering
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)
针对文本-表格混合多跳问答,提出三阶段框架S3HQA,含检索器、选择器和生成式推理器,解决噪声标注与异构信息利用问题,在完整数据集上超越所有基线并位居HybridQA榜首。
2024-06-25 cs.CL
TACR: A Table-alignment-based Cell-selection and Reasoning Model for Hybrid Question-Answering
Tokyo Institute of Technology(东京工业大学);Nanyang Technological University(南洋理工大学);Microsoft Research Asia(微软亚洲研究院);Beijing Academy of Artificial Intelligence(北京人工智能研究院)
针对混合问答中难以遍历表格和关联段落检索证据的挑战,提出基于表对齐的单元格选择与推理模型TACR,通过增强表格-问题对齐检索细粒度证据,在HybridQA和WTQ数据集上取得领先或具竞争力的性能,并显著提升可解释性。
2023-05-24 cs.CL
Enhancing Food-Domain Question Answering with a Multimodal Knowledge Graph: Hybrid QA Generation and Diversity Analysis
提出融合多模态知识图谱与生成式AI的食品问答框架,通过混合检索生成策略提升可靠性与多样性,联合微调显著改善生成质量。
2025-07-09 cs.CL
PACIFIC: Towards Proactive Conversational Question Answering over Tabular and Textual Data in Finance
The Chinese University of Hong Kong(香港中文大学);Sichuan University(四川大学);DAMO Academy, Alibaba Group(阿里巴巴集团达摩院);Sea-NExT Joint Lab(Sea-NExT联合实验室);National University of Singapore(新加坡国立大学)
为了促进金融领域混合背景下的会话式问答(CQA),我们提出了一个新的数据集,名为PACIFIC。与现有的CQA数据集相比,PACIFIC具有三个关键特征:(i)主动性,(ii)数值推理,(iii)表格和文本的混合上下文。因此,本文提出了一个新的研究课题--主动会话问答(PCQA)。此外,我们提出了一种新的方法,即UniPCQA,以适应PCQA的输入和输出内容的混合格式到Seq 2Seq问题,包括重新制定的数值推理过程的代码生成。UniPCQA在PCQA中的所有子任务上执行多任务学习,并且通过交叉验证顶部$k$采样的Seq 2Seq输出来结合简单的集成策略以减轻多任务学习中的错误传播问题。我们使用广泛的基线对PACIFIC数据集进行基准测试,并对PCQA的每个子任务进行全面评估。
2023-03-19 cs.CL
A Goal-Directed Implementation of Query Answering for Hybrid MKNF Knowledge Bases
CENTRIA(里斯本新大学科学技术学院信息学系人工智能中心);Faculdade Ciências e Tecnologias Universidade Nova de Lisboa(里斯本新大学科学技术学院)
在知识表示形式化中,本体和规则通常是松散耦合的。事实上,本体使用开放世界推理,而规则的主要语义使用非单调的封闭世界推理。一个例外是最小知识和否定失败(MKNF)的紧密耦合框架,它允许通过从本体论和规则推理的蕴涵来共同推导关于个人的陈述。尽管如此,MKNF的实际用途并不总是很清楚,虽然最近的工作已经正式确定了一个一般的基于解析的方法,用于查询MKNF时,规则采取有根据的语义,本体是由一个通用的甲骨文建模。这项工作留下了开放的算法,应该使用相关的本体论和推理的规则的蕴涵。在本文中,我们提供了这样的算法,并描述了一个查询驱动的系统,CDF规则,混合知识库相结合的(非单调)的规则下,有根据的语义和(单调)本体论,由CDF Type-1(ALQ)理论表示的实施。逻辑程序设计理论与实践(Theory and Practice of Logic Programming,TPLP)
2012-11-01 cs.AI
Transformer Tafsir at QIAS 2025 Shared Task: Hybrid Retrieval-Augmented Generation for Islamic Knowledge Question Answering
QIAS 2025 Shared Task(QIAS 2025 共同任务)
该研究提出融合 BM25、稠密嵌入检索与交叉编码器重排序的三阶段混合 RAG 流程,并在 QIAS 2025 两个子任务上验证其对 Fanar、Mistral 的增强效果。
2025-09-28 cs.CL
Reasoning over Hybrid Chain for Table-and-Text Open Domain QA
Langboat Technology(澜舟科技);Sun Yat-sen University(中山大学);Microsoft Research(微软研究院);Beihang University(北京航空航天大学)
表格式和文本式问答要求系统在考虑表格结构以及表格和文本之间的联系的情况下对异构信息执行推理。在本文中,我们提出了一个ChAin为中心的推理和预训练框架(CARP)。CARP利用混合链模型描述了问答中表与文本之间的显式中间推理过程。我们还提出了一种新的以链为中心的预训练方法,以增强预训练模型在识别跨模态推理过程和缓解数据稀疏问题方面的能力。该方法通过合成维基百科中的伪异构推理路径并生成相应的问题来构建大规模推理语料库。在一个大规模的表格和文本的开放领域的问答基准测试平台OTT-QA上,我们对系统进行了测试,结果表明,我们的系统达到了最先进的性能。进一步的分析表明,显式混合链提供了显着的性能改善和解释的中间推理过程,和链为中心的预训练,提高性能的链提取。
2022-01-15 cs.CL
HCqa: Hybrid and Complex Question Answering on Textual Corpus and Knowledge Graph
University of Dayton(代顿大学);Ferdowsi University(菲尔多西大学)
问答(QA)系统提供了对大量知识的容易访问,而不必知道知识的底层复杂结构。研究团体已经为关键的QA任务提供了特别的解决方案,包括命名实体识别和消歧、关系抽取和查询构建。此外,有些人已经集成和组合这些组件,以自动有效地实现许多任务。然而,一般来说,现有的解决方案仅限于简单和简短的问题,仍然没有解决由几个子问题组成的复杂问题。如果需要集成来自非结构化数据源的知识,即,文本语料库,以及结构化数据源,即,知识图谱。在本文中,介绍了一种方法(HCqa)处理复杂的问题,需要联合知识的混合异构数据源(结构化和非结构化)。我们有助于开发(一)分解机制,提取子问题,从潜在的长期和复杂的输入问题,(二)一种新的全面的模式,第一种,提取和注释的关系,和(iii)一种方法,用于执行和汇总的子问题的答案。HCqa的评估表明,在基本任务,如关系抽取,以及联邦任务的优越的准确性。
2019-06-09 cs.CL cs.IR
NAPG: Non-Autoregressive Program Generation for Hybrid Tabular-Textual Question Answering
Zhengzhou University(郑州大学);DFKI(德国人工智能研究中心);Saarland University(萨尔大学);Tianjin University(天津大学)
本文提出非自回归程序生成框架NAPG,独立生成完整程序元组,解决自回归解码的错误传播和暴露偏差,在混合表格-文本问答中显著提升准确率和速度,达到新最先进性能。
2023-10-13 cs.CL
Exploring the Impact of Table-to-Text Methods on Augmenting LLM-based Question Answering with Domain Hybrid Data
School of Computer Science and Engineering, Southeast University(东南大学计算机科学与工程学院);Department of Computer Science, The University of Manchester(曼彻斯特大学计算机科学系)
本文构建表到文本增强 LLM 问答框架,并在真实工业混合数据上比较 Markdown、模板、TPLM 与 LLM 四种方法对 DSFT 和 RAG 的效果。
2024-04-09 cs.CL
Tatarstan Toponyms: A Bilingual Dataset and Hybrid RAG System for Geospatial Question Answering
Department of Data Analysis and Programming Technologies(数据分析与编程技术系);Institute of Computational Mathematics and Information Technologies(计算数学与信息科技学院);Kazan (Volga Region) Federal University(卡兹安(伏尔加地区)联邦大学)
本文提出了一种双语地名数据集和混合RAG系统,用于多语言地理空间问题回答,通过构建39,000个问题-上下文-答案三元组,结合语义索引和空间过滤,实现了高召回率和准确率。
2026-08-20 cs.CL
Explore-over-Graph: Hybrid Embedding-LLM Reasoning for Knowledge Graph Question Answering under Incompleteness
New York University Abu Dhabi(纽约大学阿布扎比分校)
针对知识图谱不完整导致多跳问答推理路径断裂的问题,提出XoG框架,利用类型级统计和嵌入恢复缺失路径,LLM作语义选择器,在多个基准上优于可比方法并降低33%令牌消耗。
2026-10-06 cs.CL
HySTER: A Hybrid Spatio-Temporal Event Reasoner
Imperial College London(帝国理工学院)
视频问答(VideoQA)的任务是回答关于视频的自然语言问题,并作为一个代理来评估模型在场景序列理解中的性能。目前为VideoQA设计的大多数方法都是端到端的深度学习架构,这些架构在复杂的时间和因果推理中苦苦挣扎,并且在推理步骤中提供有限的透明度。我们提出了HySTER:一个混合时空事件推理器,用于推理视频中的物理事件。我们的模型利用深度学习方法的优势,在答案集编程框架中利用符号人工智能的推理能力和可解释性从视频帧中提取信息。我们定义了一个方法的基础上一般的时间,因果关系和物理规则,可以跨任务转移。我们将我们的模型应用于CLEVRER数据集,并在问答准确性方面展示了最先进的结果。这项工作为将归纳逻辑程序设计纳入VideoQA领域奠定了基础。
2021-01-17 cs.AI cs.CL cs.CV
Semantic Web Enabled Geographic Question Answering Framework: GeoTR
Yaşar University(亚沙尔大学);Ege University(爱琴大学)
随着关联数据的大量增长,研究人员一直关注如何提高语义Web技术的可用性,为现实生活中的系统提供实际用途。问答系统是直接与终端用户通信、理解用户意图并生成答案的现实生活系统的示例。最终用户不关心出现问题的结构化查询语言或知识库的词汇表。在这项研究中,提出了一个问答框架,土耳其自然语言输入到SPARQL查询的地理域。此外,一个新的土耳其本体,其中包括一个10年级的地理课命名为空间合成土耳其,已被开发用于作为一个链接的数据提供商。此外,土耳其的问答系统,它利用地理域中的关联数据的文献中的差距,得到解决。一个混合系统架构,结合自然语言处理技术与链接数据技术,以产生答案。提出了进一步的相关研究领域。
2023-01-11 cs.AI cs.CL
SPAGHETTI: Open-Domain Question Answering from Heterogeneous Data Sources with Retrieval and Semantic Parsing
Computer Science Department, Stanford University(斯坦福大学计算机科学系)
提出混合问答流水线SPAGHETTI,利用LLM增强方法整合异构知识源,在Compmix数据集上达到56.5% EM率,人工分析显示其准确率超90%,证明EM已不适合评估现代问答系统。
2024-06-01 cs.CL
OpenQA: Hybrid QA System Relying on Structured Knowledge Base as well as Non-structured Data
Tsinghua University(清华大学);Peking University(北京大学)
基于关键词检索的搜索引擎由于关键词相关网页的返回,已经不能适应智能物联网时代的信息获取方式。如何从海量的互联网数据中快速、准确、有效地获取用户所需的信息,已成为亟待解决的关键问题之一。提出了一个基于结构化知识库和非结构化数据的智能问答系统OpenQA,用户可以在系统中提出问题,模型可以快速准确地回答用户的问题。我们将基于语义解析和深度表示学习的KBQA结构化问答,以及基于检索和神经机器阅读理解的两阶段非结构化问答集成到OpenQA中,通过OpenQA中的Transformer答案选择模块,返回概率最高的最终答案。我们在构建的数据集上进行了初步的实验,实验结果证明了所提出的智能问答系统的有效性。同时,OpenQA平台各模块的核心技术仍处于学术热点前沿,基于这些学术热点,OpenQA的理论精髓和丰富性将得到进一步探索。
2021-12-31 cs.CL
An End-to-End Ukrainian RAG for Local Deployment. Optimized Hybrid Search and Lightweight Generation
Pompeu Fabra University(庞皮乌斯·法布拉大学);Independent Researcher(独立研究者)
本文提出一个高效的检索增强生成系统,用于乌克兰文档问答,在UNLP 2026共享任务中获第二名。系统包含定制的两阶段搜索流程和针对乌克兰语言的微调模型,最终通过模型压缩实现轻量级部署。
2026-04-23 cs.CL
StepGap: A Hybrid NLI-LLM Checker for Step-Level Evidence-Gap Detectionin Multi-Hop Question Answering
School of Computing and Information, University of Pittsburgh(计算信息学院,匹兹堡大学)
提出混合NLI-LLM决策树StepGap,用于检测多跳问答中的步骤级证据缺口并输出三类标签,在82个问题上达到sF1=72.0,且作为GRPO过程奖励可提升模型精确匹配率。
2026-05-23 cs.CL
Unsupervised Multi-hop Question Answering by Question Generation
National University of Singapore(新加坡国立大学);University of California, Santa Barbara(加州大学圣塔芭芭拉分校)
为多跳问答(QA)获取训练数据是耗时且资源密集的。我们探索了训练一个性能良好的多跳QA模型的可能性,而不需要参考任何人类标记的多跳问答对,即,无监督多跳QA我们提出了MQA-QG,一个无监督的框架,可以从同构和异构的数据源生成类似人类的多跳训练数据。MQA-QG首先从每个数据源中选择/生成相关信息,然后将多个信息集成以形成多跳问题,从而生成问题。仅使用生成的训练数据,我们可以训练一个称职的多跳QA,它分别达到HybridQA和HotpotQA数据集的监督学习性能的61%和83%。我们还表明,预训练的QA系统与生成的数据将大大减少人类注释的训练数据的需求。我们的代码可在https://github.com/teacherpeterpan/Unsupervised-Multi-hop-QA上公开获取。
2021-04-12 cs.AI cs.CL
One-shot Learning for Question-Answering in Gaokao History Challenge
Shanghai Jiao Tong University(上海交通大学)
从大学入学考试(中国高考)中提取问题是一项具有挑战性的人工智能任务,因为它需要有效的表示来捕捉问题和答案之间复杂的语义关系。在这项工作中,我们提出了一个混合神经网络模型,从历史考试的深度问答任务。我们的模型采用了一个合作门控神经网络检索答案的协助下,额外的标签由神经图灵机labeler。实验结果表明,该标注器在训练集较小的情况下工作良好,门控机制在获取冗长答案的语义表示方面表现良好。问答实验表明,该模型在多个评估指标方面获得了显著的性能增益。
2018-06-24 cs.CL
Efficient OWL2QL Meta-reasoning Using ASP-based Hybrid Knowledge Bases
University of Klagenfurt(克拉根福大学)
针对OWL2QL本体元建模存在的不可判定性问题,本研究基于早期Datalog简化工作,改进元建模查询回答简化的理论基础并使用替代工具,扩展混合知识库元推理研究以提升性能。
2025-02-13 cs.AI cs.LO cs.SC
Pay More Attention - Neural Architectures for Question-Answering
Samsung Electronics(三星电子);Deutsche Telekom AG(德国电信)
机器理解是自然语言理解的一个典型任务。通常情况下,我们给出上下文段落,目的是回答一个取决于上下文的问题。这样的问题需要对上下文段落和问题之间的复杂交互进行建模。最近,注意力机制已被发现在这些任务中是相当成功的,并且特别地,具有从上下文到问题和从问题到上下文的注意流的注意力机制已被证明是相当有用的。在本文中,我们研究了两个国家的最先进的注意力机制,称为双向注意力流(Biidirectional Attention Flow,Biidirectional)和动态协同注意力网络(Dynamic Co-Attention Network,DCN),并提出了一个混合方案,结合这两个架构,提供更好的整体性能。此外,我们还提出了一个新的更简单的注意力机制,我们称之为双交叉注意力(DCA),提供更好的结果相比,双循环和合作注意力机制,同时提供类似的性能的混合计划。我们的论文的目标是特别关注注意力层,并提出改进建议。我们的实验评估表明,我们提出的模型在斯坦福问答数据集(SQuAD)上取得了优异的结果相比,Biopsium和DCN注意力机制。
2018-03-25 cs.CL
Analyzing performance of Retrieval Augmented Generation models for Question Answering Tasks
BRAC University(BRAC大学)
本研究针对南亚多语言场景,探究RAG模型在文化与非文化问答任务中的性能差异,提取高性能因素以优化混合RAG系统,为高效准确的问答流程设计提供方向。
2026-10-16 cs.AI cs.CL
BEST-KAG: Enhancing Question Answering of Building Engineering Standards with Multimodal Knowledge Graph Modeling and Large Language Model
本研究提出BEST-KAG框架,通过多模态知识图谱建模与大语言模型,解决建筑工程标准问答的现有局限,在相关评估指标上优于主流大语言模型。
2026-08-13 cs.AI cs.CL
Healthier LLMs: Retrieval-Augmented Generation for Public Health Question Answering
研究针对大型语言模型在公共卫生问答受幻觉等限制的问题,采用检索增强生成方法,通过扩展基准并系统评估检索与生成选择,比较多种检索方式,引入评判方法,突出检索对可靠公共卫生问答的作用并提供实用指导。
2026-07-09 cs.AI cs.CL cs.LG
KGCaRe: Explainable Complex Conditional Question Answering using Automatic Knowledge Graph Construction and Context Retrieval with LLMs
University of Galway(戈尔韦大学);Fidelity Investments(富达投资)
该研究针对LLM与RAG处理复杂条件问答时在特定领域表现不佳的问题,提出KGCaRe混合方法,结合KG构建、迭代图遍历与神经检索,在多类LLM及数据集上优于现有基线。
2026-08-11 cs.AI cs.CL
Agentic Hybrid RAG for Evidence-Grounded Muon Collider Analysis
Peking University(北京大学)
提出智能混合RAG框架,结合稀疏与稠密检索及智能推理,用于缪子对撞机研究的证据检索与答案生成,构建首个基准并验证其有效性。
2026-09-29 cs.AI cs.CL cs.IR
Generative Stock Question Answering
Tencent AI Lab(腾讯人工智能实验室);ShanghaiTech University(上海科技大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
研究了股票相关问答(StockQA)问题:自动生成股票相关问题的答案,就像专业的股票分析师根据用户的请求提供股票的行动建议一样。StockQA与以前的QA任务有很大的不同,因为(1)StockQA中的答案是自然语言句子(而不是实体或值),并且由于StockQA的动态性质,几乎不可能从训练数据中以提取的方式获得合理的答案;(2)StockQA需要正确分析QA对中的关键字与股票的数字特征之间的关系。我们建议解决这个问题的内存增强的编码器-解码器架构,并集成不同的数字理解和生成机制,这是一个重要组成部分的StockQA。我们构建了一个包含超过180 K StockQA实例的大规模数据集,并在此基础上对各种技术组合进行了广泛的研究和比较。实验结果表明,一个混合的词-字符模型与单独的字符组件的数字处理,取得了最佳的性能。通过分析结果,我们发现,44.8%的答案产生的最好的模型仍然遭受通用答案的问题,这可以缓解一个简单的混合检索生成模型。
2018-09-20 cs.CL
Local Hybrid Retrieval-Augmented Document QA
Università Ca’ Foscari Venezia(威尼斯大学)
本研究提出一种本地混合检索增强的文档问答系统,通过结合语义理解和关键词精度,在不传输数据的情况下实现高准确率的问答,平衡隐私与性能。
2025-11-28 cs.CL
CBR-RAG: Case-Based Reasoning for Retrieval Augmented Generation in LLMs for Legal Question Answering
Robert Gordon University(罗伯特戈登大学);Informatics Institute of Technology(信息学技术学院);BT France(英国电信法国公司)
提出CBR-RAG框架,将案例推理的检索、索引与相似性容器融入RAG,并通过法律问答实验验证其可显著提升答案质量。
2024-04-04 cs.AI cs.CL
ViCLEVR: A Visual Reasoning Dataset and Hybrid Multimodal Fusion Model for Visual Question Answering in Vietnamese
University of Information Technology(信息技术大学);Vietnam National University(越南国立大学);HUTECH University(胡志明市技术大学)
针对越南语视觉问答资源匮乏问题,本文提出ViCLEVR数据集与PhoVIT多模态融合模型,通过早期融合transformer实现图文联合推理,并在四个指标上取得最优性能。
2023-10-27 cs.CL cs.CV
From text to multimodal: a survey of adversarial example generation in question answering systems
Yildiz Technical University(耶尔德兹理工大学);Kadir Has University(卡迪尔·哈斯大学)
本文系统综述文本与多模态问答系统中的对抗样本生成技术,分类梳理扰动、生成模型、防御、数据集与评估指标,并指出未来研究方向。
2024-08-09 cs.AI cs.CL
Agri-Query: A Case Study on RAG vs. Long-Context LLMs for Cross-Lingual Technical Question Answering
Technical University of Munich, Germany Professorship of Agrimechatronics(慕尼黑技术大学教授职位,农业机电学教授)
本文通过Agri-Query案例研究,比较RAG与长上下文LLM在跨语言技术问答中的性能,发现混合RAG在准确性上优于直接提示方法。
2026-03-06 cs.CL
N2N-GQA: Noise-to-Narrative for Graph-Based Table-Text Question Answering Using LLMs
comcast India Engineering Center (CIEC)(comcast印度工程中心)
N2N-GQA通过构建动态证据图提升基于图的表格-文本问答性能,实现零样本多跳问答的高准确率。
2026-01-10 cs.CL
MetaGen Blended RAG: Unlocking Zero-Shot Precision for Specialized Domain Question-Answering
IBM
针对企业专业领域RAG零样本精度低的问题,提出MetaGen Blended RAG,通过元数据生成与混合查询索引增强检索,在PubMedQA上超越现有零样本基准并媲美微调模型。
2025-08-05 cs.AI cs.CL cs.IR
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
Question Answering with LLMs and Learning from Answer Sets
University of Calabria(卡拉布里亚大学);The University of Chicago(芝加哥大学);Imperial College London(帝国理工学院)
本文提出混合系统LLM2LAS,利用LLM提取语义结构、ILASP自动归纳逻辑规则并结合ASP进行形式化推理,以解决基于故事的常识问答任务。
2025-09-20 cs.AI cs.CL cs.LO
Context Generation Improves Open Domain Question Answering
NVIDIA(英伟达)
本文提出两阶段闭卷问答框架,通过生成并边缘化相关上下文来充分挖掘预训练语言模型的参数化知识,在三个基准上显著超越闭卷方法并媲美开卷方法。
2023-04-27 cs.AI cs.CL