Event Knowledge Incorporation with Posterior Regularization for Event-Centric Question Answering
University of Warwick(华威大学);King’s College London(伦敦国王学院);The Alan Turing Institute(艾伦·图灵研究所)
提出一种通过后验正则化将事件触发标注知识注入预训练语言模型的方法,提升事件中心问答的事件推理能力,在TORQUE和ESTER数据集上取得强劲性能。
2023-05-08 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
Event Detection as Question Answering with Entity Information
University of La Rochelle(拉罗谢尔大学);University of Toulouse(图卢兹大学)
在本文中,我们提出了一个最近的和研究不足的范式的事件检测(ED)的任务,铸造它作为一个问答(QA)问题的可能性,多个答案和支持的实体。因此,事件触发器的提取被转换为从上下文识别答案跨度的任务,同时还关注周围的实体。该架构基于预训练和微调的语言模型,其中输入上下文通过在不同级别标记的实体、它们的位置、它们的类型以及最后的参数角色来增强。在ACE~2005语料库上的实验表明,该方法是一个可行的解决方案,它显着优于国家的最先进的模型。此外,我们证明了我们的方法也能够提取看不见的事件类型。
2021-04-14 cs.CL cs.IR
Event Extraction as Question Generation and Answering
Dataminr Inc.(Dataminr公司)
针对 QA 式事件抽取依赖固定模板且难处理同角色多论元的问题,本文提出 QGA-EE,利用 QG 模型结合上下文生成问题并以动态模板辅助训练,在 ACE05 英文数据集上超过单任务模型。
2023-07-10 cs.CL
Retrieval-Augmented Generative Question Answering for Event Argument Extraction
The University of Texas at Dallas(德克萨斯大学达拉斯分校);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
事件参数提取长期以来一直被研究为基于提取方法的顺序预测问题,孤立地处理每个参数。虽然最近的工作提出了基于生成的方法来捕获交叉参数依赖,他们需要生成和后处理一个复杂的目标序列(模板)。受这些观察和最近预训练语言模型从演示示教学习的能力的启发。我们提出了一个检索增强生成QA模型(R-GQA)的事件参数提取。它检索最相似的QA对,并将其作为当前示例上下文的提示符进行增强,然后将参数解码为答案。我们的方法在各种设置(即完全监督,域转移和少量学习)中的性能都大大优于以前的方法。最后,我们提出了一种基于聚类的采样策略(JointEnc),并深入分析了不同策略对少样本学习性能的影响。这些实现可在https://www.example.com上获得github.com/xinyadu/RGQA
2022-11-14 cs.CL
NeoQA: Evidence-based Question Answering with Generated News Events
UKP Lab, TU Darmstadt and Hessian Center for AI (hessian.AI)(达姆施塔特工业大学 UKP 实验室及黑森人工智能中心);Amazon AGI(亚马逊通用人工智能)
NeoQA 通过生成虚构新闻事件构建训练外问答基准,以评估 LLMs 在证据缺失或误导场景下的循证推理能力,揭示其难以辨别细微不匹配并易陷入捷径推理的局限。
2025-05-09 cs.CL
Semantic-aware Dynamic Retrospective-Prospective Reasoning for Event-level Video Question Answering
Dublin City University(都柏林城市大学);Nantong University(南通大学);Trinity College Dublin(都柏林圣三一学院)
提出语义感知的动态回顾-前瞻推理方法,利用问题的SRL结构指导跨帧推理,在TrafficQA数据集上超越现有最先进模型。
2023-05-14 cs.AI cs.CL cs.CV
Large-scale Simple Question Answering with Memory Networks
Facebook AI Research(脸书人工智能研究院)
训练大规模问答系统是复杂的,因为训练源通常覆盖可能问题范围的一小部分。本文研究了多任务和迁移学习对简单问答的影响;一个设置,其中所需的推理回答是很容易的,只要一个人可以检索到正确的证据给出一个问题,这可能是困难的大规模条件。为此,我们引入了一个包含10万个问题的新数据集,并将其与现有的基准测试结合使用。我们在记忆网络的框架内进行研究(Weston et al.,2015),因为这种观点使我们最终能够扩展到更复杂的推理,并表明记忆网络可以成功训练以实现出色的性能。
2015-06-05 cs.CL cs.LG
Multi-object event graph representation learning for Video Question Answering
KDDI Research(KDDI研究所)
针对现有视频问答方法难捕捉多目标复杂场景的问题,提出名为CLanG的对比语言事件图表示学习方法,通过多层GNN-cluster模块实现文本与多目标事件图的对比学习,在多个数据集上准确率提升显著,尤擅因果和时间推理。
2024-09-12 cs.AI cs.CL cs.CV
UnSeenTimeQA: Time-Sensitive Question-Answering Beyond LLMs' Memorization
Arizona State University(亚利桑那州立大学);New Mexico State University(新墨西哥州立大学);University of Arizona(亚利桑那大学)
本文提出无数据污染的时敏问答基准 UnSeenTimeQA,通过合成事实和三类时敏问题评估 LLMs 的真实时间推理能力,发现其在长距离依赖和并行事件上表现不足。
2025-06-02 cs.CL
ComplexTempQA:A 100m Dataset for Complex Temporal Question Answering
University of Innsbruck(因斯布鲁克大学);Technical University Dresden(德累斯顿技术大学)
本文提出ComplexTempQA数据集,包含超1亿问答对,通过属性、比较和计数三类高复杂度时间问题及详细元数据,全面评估大语言模型的时间推理能力。
2025-08-22 cs.CL
S3Mem: Structured Spatiotemporal Scene-Event Memory for Long-Horizon Interactive Question Answering
University of Science and Technology of China(中国科学技术大学);Shanghai Jiao Tong University(上海交通大学);Shanghai AI Laboratory(上海人工智能实验室);City University of Hong Kong(香港城市大学);The Chinese University of Hong Kong(香港中文大学);Fudan University(复旦大学);The University of Sydney(悉尼大学);Beihang University(北航)
提出S3MEM框架,通过结构化场景-事件记忆和锚点敏感检索,在长时域交互式问答中实现比通用记忆接口更优的准确率-效率平衡。
2026-06-08 cs.AI cs.CL
Fine-Tuning vs. RAG for Multi-Hop Question Answering with Novel Knowledge
本文比较了微调与RAG在多跳问答中处理新颖知识的效果,发现RAG在时间新颖信息问答中表现更优,而有监督微调整体准确率最高。
2026-01-11 cs.CL cs.LG
The Forgettable-Watcher Model for Video Question Answering
近年来,人们提出了许多视觉问答方法,旨在通过回答自然语言问题来理解视觉场景。虽然图像问答已经引起了极大的关注,但视频问答在很大程度上尚未开发。视频QA不同于图像QA,因为信息和事件分散在多个帧中。为了更好地利用视频的时间结构和答案的短语结构,我们提出了两种机制:重新观看和重新阅读机制,并将它们结合到forgetable-watcher模型。然后,我们提出了一个TGIF-QA数据集的视频问答的自动生成问题的帮助下。最后,我们在我们的数据集上评估模型。实验结果表明了我们提出的模型的有效性。
2017-05-03 cs.CL cs.CV
Narrative Question Answering with Cutting-Edge Open-Domain QA Techniques: A Comprehensive Study
Rensselaer Polytechnic Institute(伦斯勒理工学院);IBM(国际商业机器公司)
开放域问答(ODQA)的最新进展,即,从像维基百科这样的大型开放领域语料库中寻找答案,已经在许多数据集上实现了人类水平的性能。然而,尽管与ODQA的任务制定类似,但图书故事QA(图书QA)的进展落后。本文对图书问答的难度进行了全面的定量分析:(1)在NarrativeQA数据集上进行了大量的实验,并采用了最先进的ODQA技术。这量化了Book QA提出的挑战,并通过Rouge-L的$\sim$ 7\%的绝对改进推进了已发表的最新技术水平。(2)我们通过人类研究进一步分析了Book QA中的详细挑战。\footnote{\url{https://github.com/gorov/BookQA}.}我们的研究结果表明,以事件为中心的问题占主导地位,这说明了现有的QA模型无法处理面向事件的场景。
2021-06-07 cs.AI cs.CL
Top-down Activity Representation Learning for Video Question Answering
KDDI Research(KDDI研究所)
针对现有视频问答方法难捕捉长序列中非连续情境事件的问题,研究将长视频转为空间图像域,结合CLIP的空间表示能力微调LLaVA,在NExTQA等任务上取得性能提升。
2024-09-12 cs.AI cs.CL cs.CV
Question Answering in a Natural Language Understanding System Based on Object-Oriented Semantics
Institute of Cybernetics of NAS of Ukraine(乌克兰国家科学院控制论研究所)
提出了一种面向文本信息输入和逻辑处理的计算机系统中的问答算法。所考虑的知识域是人的社会行为。该系统的数据库包括自然语言句子的内部表示和补充信息。回答{ \it Yes}或{ \it No}是针对一般问题形成的。含有疑问词或疑问词组的特殊疑问句可以用来确定主语、宾语、地点、时间、原因、目的和行为或事件的方式。答案生成基于人、组织、机器、事物、地点和时间的识别算法。所提出的问答算法可以在与文本处理(犯罪学、商业操作、医学、文档系统)密切相关的信息系统中实现。
2011-11-18 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
SCoP: Structured Constraint Parsing for Evidence-Space Control in Temporal Knowledge Graph Question Answering
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所)
SCoP通过结构化约束解析将时间决策外部化,实现证据空间控制,在TKGQA中无需参数更新即在MultiTQ和TimelineCronQ-R上取得领先性能。
2026-09-22 cs.CL
Evaluating Answer Reranking Strategies in Time-sensitive Question Answering
University of Innsbruck(因斯布鲁克大学)
本文研究了时间敏感问答中答案时间特征的影响,通过探索多种简单的答案选择技术,发现时间特征在从历时性文档集合中选择最相关答案中起关键作用,并揭示了显式与隐式时间问题间的差异。
2025-03-06 cs.CL cs.IR
MemoryCard: Topic-Aware Multi-Modal Clue Compression for Long-Video Question Answering
School of Computer Science and Engineering, Northeastern University(东北大学计算机科学与工程学院);Department of Computer Science and Technology, Tsinghua University(清华大学计算机科学与技术系);Digital China Group(数字中国集团)
提出MemoryCard框架,通过将长视频分割为主题事件单元并生成事件级摘要和代表性视觉时刻,以记忆卡形式增强VLMs的长视频问答能力,在相同视觉令牌预算下准确率提升高达21.8%。
2026-08-31 cs.CL cs.CV
Temporal Reasoning via Audio Question Answering
Facebook Reality Labs(Facebook现实实验室);Facebook AI Research(Facebook人工智能研究院)
多模态问答任务可以作为代理任务来研究能够感知和推理世界的系统。关于不同类型的输入方式的问题强调了推理的不同方面,如视觉推理,阅读理解,故事理解或导航。本文以音频问答(AQA)为例,研究了机器学习模型的时态推理能力。为此,我们介绍了诊断音频问答(DAQA)数据集,包括自然声音事件的音频序列和编程生成的问题和答案,探测时间推理的各个方面。我们适应最近的几个国家的最先进的视觉问答的AQA任务的方法,并使用DAQA证明,他们表现不佳的问题,需要深入的时间推理。最后,我们提出了一个新的模型,多个辅助控制器的线性调制(MALiMo),扩展了最近的智能线性调制(FILM)模型,并显着提高其时间推理能力。我们设想DAQA促进AQA和时间推理的研究和MALiMo的AQA模型的一步。
2019-11-21 cs.CL cs.LG cs.SD
Giveme5W1H: A Universal System for Extracting Main Events from News Articles
University of Konstanz(康斯坦茨大学);University of Wuppertal(伍珀塔尔大学)
从新闻文章中提取事件是各种任务(如文章摘要、文章聚类和新闻聚合)的普遍要求的先决条件。由于缺乏普遍适用的和公开可用的方法来定制的新闻数据集,许多研究人员冗余地实现事件提取方法为自己的项目。新闻5W1H问题能够描述文章的主要事件,即,通过回答谁做了什么,何时,何地,为什么,以及如何。我们提供了一个深入的描述Giveme5W1H,一个系统,使用语法和特定领域的规则,自动提取相关的短语,从英语新闻文章,这些5W1H问题的答案的改进版本。给定这些问题的答案,系统确定文章的主要事件。在一项由三名评估员和120篇文章组成的专家评估中,我们确定了回答前四个W问题的总体精度为p=0.73,p=0.82,仅这一点就足以概括新闻文章中报道的主要事件。我们最近公开了我们的系统,它仍然是唯一一个能够应用于新闻分析中各种用例的通用开源5W1H提取器。
2019-09-06 cs.CL
LiveQA: A Question Answering Dataset over Sports Live
Key Laboratory of Computational Linguistics, MOE, Peking University(北京大学计算语言学教育部重点实验室);Graduate School of Informatics, Kyoto University(京都大学信息学研究生院);University of Washington(华盛顿大学)
在本文中,我们介绍了LiveQA,一个新的问答数据集构建的逐场直播。它包含了117,000道由人类评论员为超过1,670场NBA比赛撰写的多项选择题,这些问题来自中国虎扑(https://nba.hupu.com/games)网站。从体育比赛的特点出发,LiveQA可以测试基于时间轴的直播的推理能力,这与现有的数据集相比具有挑战性。在LiveQA中,这些问题需要理解时间轴,跟踪事件或进行数学计算。我们的初步实验表明,该数据集引入了一个具有挑战性的问题,问答模型,和一个强大的基线模型只能达到53.1%的准确率,不能击败主导选项规则。我们发布了本文的代码和数据,以供将来的研究。
2020-10-01 cs.CL
Semantic Framework based Query Generation for Temporal Question Answering over Knowledge Graphs
Nanjing University(南京大学)
本文提出SF-TQA方法,基于时序约束语义框架生成查询图,解决时序知识图谱问答中事件时间关联问题,在两个基准上显著优于现有方法。
2023-05-11 cs.CL
SCAI-QReCC Shared Task on Conversational Question Answering
Amazon(亚马逊)
面向搜索的对话式人工智能(SCAI)是一个既定的场所,它经常关注最近推进对话式搜索领域的工作。SCAI'21是作为一个独立的在线活动组织的,并以会话问答的共同任务为特色。由于所有的参与者团队都尝试了这个任务的答案生成模型,我们确定了在这种情况下的答案正确性评估的主要挑战和目前的研究差距。除了自动评估之外,我们还进行了两个众包实验,以收集答案的可信性和忠实性的注释。由于这个共享的任务,用于评估的原始会话QA数据集进一步扩展了参与者系统产生的替代正确答案。
2022-01-26 cs.CL cs.IR
Fusing Context Into Knowledge Graph for Commonsense Question Answering
Microsoft Cognitive Services Research Group(微软认知服务研究组)
常识问答(QA)需要一个模型来掌握常识和事实知识来回答关于世界事件的问题。许多现有方法将语言建模与知识图谱(KG)耦合。然而,尽管KG包含丰富的结构信息,但它缺乏上下文来提供对概念的更精确的理解。这在将知识图谱融合到语言建模中时产生了差距,特别是当标记数据不足时。因此,我们建议采用外部实体描述提供知识理解的上下文信息。我们从Wiktionary中检索相关概念的描述,并将其作为预训练语言模型的额外输入。由此产生的模型在CommonsenseQA数据集中实现了最先进的结果,并且在OpenBookQA的非生成模型中获得了最佳结果。
2021-08-02 cs.CL
Logic-Guided Data Augmentation and Regularization for Consistent Question Answering
University of Washington(华盛顿大学);Allen Institute for AI(艾伦人工智能研究所)
许多自然语言问题需要在两个实体或事件之间进行定性、定量或逻辑比较。本文提出了一种将逻辑规则和神经模型相结合的方法来提高比较问题回答的准确性和一致性。我们的方法利用逻辑和语言知识来增加标记的训练数据,然后使用基于一致性的正则化训练模型。提高了预测的全局一致性,我们的方法在各种问答(QA)任务,包括多项选择定性推理,因果推理和提取机器阅读理解中实现了比以前的方法有很大的改进。特别是,我们的方法在数据集上将基于RoberTa的模型的性能显著提高了1-5%。我们在WIQA和WITRel上将最先进的技术水平提高了约5-8%,并在HotpotQA上将一致性违规减少了58%。我们进一步证明了我们的方法可以从有限的数据中有效地学习。
2020-05-25 cs.CL
MIX : a Multi-task Learning Approach to Solve Open-Domain Question Answering
DataLab Groupe, Crédit Agricole S.A(法国农业信贷集团DataLab部门)
该研究提出 MIX 多任务深度学习方法,通过 BM25 检索器、RoBERTa 评分器与提取器的流水线及任务并行化,在 squad-open 上达到先进性能且更简洁。
2025-03-13 cs.CL
Neon: News Entity-Interaction Extraction for Enhanced Question Answering
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);Microsoft Research(微软研究院)
NEON框架通过从新闻中抽取新兴实体交互并构建带时间戳的实体中心知识图谱,将开放信息抽取元组集成到LLMs中实现上下文检索增强生成,从而显著提升时间敏感的实体问答性能。
2024-11-20 cs.CL cs.IR
MemexQA: Visual Memex Question Answering
Carnegie Mellon University(卡内基梅隆大学);Customer Service AI(客户服务人工智能);Yahoo Research(雅虎研究院)
本文提出了一个新的任务,MemexQA:给定用户的照片或视频集合,目标是自动回答问题,帮助用户恢复他们对集合中捕获的事件的记忆。为了解决这个问题,我们1)提出了MemexQA数据集,这是一个由真实个人照片和众包问题/答案组成的大型现实多模态数据集,2)提出了MemexNet,这是一个统一的端到端可训练的网络架构,用于图像,文本和视频问答。在MemexQA数据集上的实验结果表明,MemexNet的性能优于强大的基线,并在这个新颖而具有挑战性的任务上达到了最先进的水平。TextQA和VideoQA的结果表明了MemexNet在各种QA任务中的有效性和可扩展性。
2017-08-04 cs.CL cs.CV
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。
2026-09-30 cs.AI cs.CL cs.CV
Fusing Temporal Graphs into Transformers for Time-Sensitive Question Answering
University of Arizona(亚利桑那大学);Intel Labs(英特尔实验室)
本文研究时间敏感问答,提出将抽取的事件、时间和时序关系图融合到Transformer输入文本中,显著提升时序推理能力,并在SituatedQA和TimeQA上取得最优性能。
2023-10-30 cs.CL
It's High Time: A Survey of Temporal Question Answering
University of Innsbruck(因斯布鲁克大学);Delft University of Technology(代尔夫特理工大学)
该综述全面梳理时间问答(TQA)领域,聚焦神经架构特别是Transformer和LLM在时间建模、RAG及推理上的进展,并讨论相关基准与评估策略。
2025-08-04 cs.CL cs.IR
AmbigQA: Answering Ambiguous Open-domain Questions
Facebook AI Research(脸书人工智能研究院);Allen Institute for Artificial Intelligence(艾伦人工智能研究所);University of Washington(华盛顿大学)
开放域问答固有的模糊性;特别是在探索新主题时,很难提出只有一个明确答案的问题。在本文中,我们介绍了AmbigQA,一个新的开放领域的问答任务,它涉及到找到每一个合理的答案,然后重写的问题,为每一个解决歧义。为了研究这项任务,我们构建了AmbigNQ,这是一个涵盖现有开放领域QA基准NQ-open中14,042个问题的数据集。我们发现NQ-open中超过一半的问题是模糊的,具有不同的模糊性来源,如事件和实体引用。我们还为AmbigQA提供了强大的基线模型,我们从结合NQ-open的弱监督学习中受益,这强烈表明我们的新任务和数据将支持未来的重大研究工作。我们的数据和基准可在https://nlp.cs.washington.edu/ambigqa上获得。
2020-10-05 cs.AI cs.CL
Continual Learning for Temporal-Sensitive Question Answering
University of Technology Sydney(悉尼科技大学);University of Sydney(悉尼大学);Hangzhou Dianzi University(杭州电子科技大学)
本研究针对时间敏感问答的持续学习问题,构建了五子集数据集,并提出融合时间记忆回放与时间对比学习的训练框架,有效应对动态信息环境下的挑战,提升模型性能。
2024-07-17 cs.CL
TWEETQA: A Social Media Focused Question Answering Dataset
University of California, Santa Barbara(加州大学圣巴巴拉分校);IBM Research(IBM研究院)
随着社交媒体变得越来越流行,大量的新闻和实时事件被报道,开发自动问答系统对于许多依赖实时知识的应用程序的有效性至关重要。虽然以前的数据集集中于新闻和维基百科等正式文本的问答(QA),但我们提出了第一个大规模的QA数据集。为了确保我们收集的推文是有用的,我们只收集记者用于撰写新闻文章的推文。然后我们让人类注释者在这些tweet上写下问题和答案。与SQuAD等其他QA数据集不同,在SQuAD中,答案是提取的,我们允许答案是抽象的。我们发现,最近提出的两个神经模型,表现良好的formaltexts是有限的,在他们的性能时,ap-plied到我们的数据集。此外,即使是经过微调的BERT模型,其性能仍然落后于人类,差距很大。因此,我们的结果指出,需要改进的QA系统,针对社会媒体文本。
2019-07-14 cs.CL
Leveraging Structured Information for Explainable Multi-hop Question Answering and Reasoning
University of Texas at Dallas(德克萨斯大学达拉斯分校)
针对大语言模型多跳问答存在推理不准、幻觉及可解释性不足的问题,本研究构建并利用抽取的语义结构图开展推理,在两个基准上提升了问答性能,且生成的结构化解释更受人类青睐。
2023-11-07 cs.CL
What is Event Knowledge Graph: A Survey
University of Chinese Academy of Sciences(中国科学院大学);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);Tencent(腾讯)
除了以实体为中心的知识图谱(KG)外,事件也是世界上一种重要的知识,这就引发了以事件为中心的知识表示形式的兴起,如事件KG(EKG)。它在许多下游应用中发挥着越来越重要的作用,例如搜索,问答,推荐,金融量化投资和文本生成。本文从历史、本体、实例和应用四个方面对心电图进行了全面的综述。具体来说,表征心电图彻底,我们专注于它的历史,定义,图式归纳,收购,相关的代表性图形/系统,和应用。研究了其发展过程和趋势。我们进一步总结了前瞻性的方向,以促进未来的研究心电图。
2022-06-13 cs.AI cs.CL cs.LG
EA$^2$E: Improving Consistency with Event Awareness for Document-Level Argument Extraction
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
事件在文档中是相互关联的。受单义话语理论的启发,我们假设参与者倾向于在同一文档中的多个事件中扮演一致的角色。然而,最近的工作文档级事件参数提取模型的每个单独的事件隔离,因此导致提取的参数之间的不一致性,跨事件,这将进一步导致下游应用程序,如事件知识库人口,问答,和假设生成的差异。在这项工作中,我们制定了事件参数一致性的文件级设置下的事件-事件关系的约束。为了提高一致性,我们引入了事件感知的参数提取(EA $^2$ E)模型与增强的上下文进行训练和推理。在WIKIEVENTS和ACE 2005数据集上的实验结果表明,与基线方法相比,EA $^2$ E方法是有效的.
2022-05-30 cs.CL
MovieQA: Understanding Stories in Movies through Question-Answering
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);University of Toronto(多伦多大学);Massachusetts Institute of Technology(麻省理工学院)
我们介绍了MovieQA数据集,旨在评估视频和文本的自动故事理解。该数据集由关于408部具有高度语义多样性的电影的14,944个问题组成。问题的范围从简单的“谁”做了“什么”到“谁”,再到“为什么”和“如何”某些事件发生。每个问题都有一组五个可能的答案;一个正确的答案和四个由人类注释者提供的欺骗性答案。我们的数据集是独一无二的,因为它包含多个信息源-视频剪辑,情节,字幕,脚本和DVS。我们通过各种统计数据和方法分析数据。我们进一步扩展现有的QA技术表明,这样的开放式语义问答是困难的。我们将这一数据集与评估基准一起公开,以鼓励在这一具有挑战性的领域开展鼓舞人心的工作。
2016-09-21 cs.CL cs.CV
Faithful Question Answering with Monte-Carlo Planning
Tsinghua University(清华大学);Beijing National Research Center for Information Science and Technology(北京信息科学与技术国家研究中心);Tencent AI Lab(腾讯人工智能实验室)
针对大语言模型问答中推理步骤难以忠实呈现的问题,提出基于蒙特卡洛规划的FAME方法,将任务建模为离散决策问题,通过环境与控制器交互结合前瞻搜索生成结构化蕴涵树式推理,以更小模型在标准基准上取得最优性能。
2023-05-04 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
AliMe KBQA: Question Answering over Structured Knowledge for E-commerce Customer Service
Alibaba Group(阿里巴巴集团)
随着知识图谱的兴起,基于知识库的问答(KBQA)技术近年来受到越来越多的关注。尽管已经对这个主题进行了大量的研究,但由于商业知识和现实世界的问题可能相当复杂,因此将KBQA技术应用于行业仍然具有挑战性。在本文中,我们提出了AliMe-KBQA,一个大胆的尝试,应用于电子商业客户服务领域的KBQA。为了处理真实的知识和问题,我们扩展了经典的“主-谓-宾(SPO)”结构的属性层次,键-值结构和复合值类型(CVT),并加强了传统的KBQA的约束识别和推理能力。我们在2018年“双11”期间的商家营销推广场景以及之后的其他此类促销活动中推出AliMe-KBQA。在线结果表明,阿里Me-KBQA不仅能够获得更好的解决方案,提高客户满意度,而且由于其提供了更方便和高效的管理体验,成为企业知识员工首选的知识管理方法。
2019-12-12 cs.AI cs.CL
Chronological Passage Assembling in RAG framework for Temporal Question Answering
Department of Artificial Intelligence, Chung-Ang University(人工智能系, Chung-Ang 大学)
针对叙事文本问答中时间线重建的挑战,提出ChronoRAG框架,通过将分散信息精炼为结构化段落并显式维护检索段落的时间顺序,显著提升了事实识别与复杂时序理解的性能。
2025-10-13 cs.CL
Mordecai 3: A Neural Geoparser and Event Geocoder
Michigan State University(密歇根州立大学)
Mordecai3是一个新的端到端文本地理解析器和事件地理定位系统。该系统使用新的神经排序模型进行地名解析,将从文件中提取的地名解析为地名词典中的条目。它还执行事件地理编码,即使用现成的问答模型将文本中报告的事件与报告发生的地名联系起来。地名解析模型是在各种现有的训练数据以及几千个新注释的例子上训练的。本文描述了该模型、其训练过程以及与现有地理解析器的性能比较。该系统作为开源Python库Mordecai 3提供,并取代了早期的地理解析器Mordecai v2,这是最广泛使用的文本地理解析器之一(Halterman 2017)。
2023-03-23 cs.CL
PerLTQA: A Personal Long-Term Memory Dataset for Memory Classification, Retrieval, and Synthesis in Question Answering
The Chinese University of Hong Kong(香港中文大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
本文提出PerLTQA个人长期记忆问答数据集及记忆分类、检索、合成框架,实验证明BERT分类模型优于ChatGLM3和ChatGPT,并强调有效记忆整合对问答任务的重要性。
2024-02-26 cs.AI cs.CL cs.IR
ECONET: Effective Continual Pretraining of Language Models for Event Temporal Reasoning
University of Southern California(南加利福尼亚大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
虽然预训练的语言模型(PTLM)在许多NLP任务上取得了显著的成功,但它们仍然难以处理需要事件时间推理的任务,这对于以事件为中心的应用程序至关重要。我们提出了一个持续的预训练方法,装备PTLM有针对性的知识事件的时间关系。我们设计了自监督学习目标来恢复屏蔽的事件和时间指标,并将句子与其损坏的对应物(事件或时间指标被替换)区分开来。通过进一步的预训练PTLM与这些目标联合,我们加强了它的注意事件和时间信息,产生增强的能力,事件的时间推理。这种有效的事件时间推理(ECONET)的连续预训练框架提高了PTLM在五个关系抽取和问答任务中的微调性能,并在我们的大多数下游任务中实现了新的或同等水平的最先进的性能。
2021-09-16 cs.CL
Learning Fine-Grained Visual Understanding for Video Question Answering via Decoupling Spatial-Temporal Modeling
National Taiwan University(台湾大学);Mobile Drive Technology(Mobile Drive科技公司)
虽然最近的大规模视频语言预训练在视频问答中取得了很大进展,但视频语言模型的空间建模的设计不如图像语言模型的设计细粒度;现有的时间建模实践也遭受模态之间的弱对齐和噪声对齐。为了学习细粒度的视觉理解,我们解耦时空建模,并提出了一个混合管道,解耦时空编码器,集成了图像和视频语言编码器。前者编码的空间语义从较大的,但稀疏采样帧独立于时间,而后者模型的时间动态在较低的空间,但较高的时间分辨率。为了帮助视频-语言模型学习视频QA的时间关系,我们提出了一种新的预训练目标,时间参考建模,它要求模型识别视频序列中事件的时间位置。大量的实验表明,我们的模型优于以前在数量级更大的数据集上预训练的工作。
2022-10-08 cs.CL cs.CV
Time-Stamped Language Model: Teaching Language Models to Understand the Flow of Events
Michigan State University(密歇根州立大学)
由于过程中描述的世界的动态性,在文本中描述的整个过程中跟踪实体具有挑战性。首先,我们建议制定这个任务作为一个问答问题。这使我们能够在其他QA基准测试中使用预先训练的基于transformer的语言模型,使其适应过程性文本理解。其次,由于基于transformer的语言模型不能单独对事件流进行编码,本文提出了一种基于时间戳的语言模型(TSLM模型),通过引入时间戳编码来对LM体系结构中的事件信息进行编码。我们的模型在Propara数据集上进行了评估,结果显示出对已发表的最新结果的改进,F1评分增加了$3.1\%$。此外,我们的模型在NPN-Cooking数据集上的位置预测任务上产生了更好的结果。这一结果表明,我们的方法是有效的程序性文本的理解一般。
2021-04-15 cs.AI cs.CL cs.LG
SERC: Syntactic and Semantic Sequence based Event Relation Classification
IIIT-Delhi(印度德里信息技术学院);Adobe Systems(Adobe系统公司)
时间和因果关系在确定事件之间的依赖关系方面起着重要作用。对事件之间的时间和因果关系进行分类有许多应用,例如生成事件时间轴、事件摘要、文本蕴涵和问答。时间关系和因果关系密切相关,相互影响。因此,我们提出了一个联合模型,结合了时间和因果关系的功能来执行因果关系分类。我们使用文本的句法结构来识别文本中两个事件之间的时间和因果关系。我们从文本中提取词性标记序列、依存标记序列和词序列。我们提出了一个基于LSTM的时间和因果关系分类模型,该模型捕捉了三个编码特征之间的相互关系。在四个流行的数据集上对我们的模型进行评估,在时间和因果关系分类方面取得了令人满意的结果。
2021-11-09 cs.CL
A Sui Generis QA Approach using RoBERTa for Adverse Drug Event Identification
ZS Associates
从生物医学文献和其他文本数据中提取药物不良事件是监测药物安全性的一个重要组成部分,这引起了许多医疗保健研究人员的关注。现有的工作更多地围绕使用双向长短期记忆网络(Bi-LSTM)的实体关系抽取,其没有获得最佳特征表示。在本文中,我们介绍了一个问答框架,利用鲁棒性,掩蔽和动态注意力的能力,Roberta的领域自适应技术,并试图克服上述限制。我们的模型比之前的工作高出9.53%F1-Score。
2020-10-30 cs.AI cs.CL
Trace Only What You Need: Structure-Aware On-Demand Hypergraph Memory for Long-Document Question Answering
University of New South Wales(新南威尔士大学);CSIRO(澳大利亚联邦科学与工业研究组织);University of Wollongong(伍伦贡大学)
提出DocTrace,一种多智能体RAG框架,通过查询触发的知识组织、文档结构感知和经验引导推理,解决长文档问答中知识组织成本高、结构利用不足和推理经验无法复用的问题,在三个数据集上取得最佳性能。
2026-08-07 cs.CL
Cross-document Event Coreference Search: Task, Dataset and Modeling
Bar Ilan University(巴伊兰大学);Intel Labs(英特尔实验室)
跨文档共指消解共指消解的任务传统上被表述为需要识别跨给定文档集的所有共指链接。我们提出了一个有吸引力的,往往更适用,互补的任务-跨文档共指搜索,在本文中的重点是事件共指。具体地说,给定一个感兴趣的事件的上下文中的提及,被认为是一个查询,任务是在一个大的文档集合中找到查询事件的所有共指提及。为了支持这项任务的研究,我们创建了一个相应的数据集,该数据集来自维基百科,同时利用可用的维基百科事件共指数据集(WEC-Eng)中的注释。观察到的共指检索设置在很大程度上类似于开放领域问答的设置,我们适应突出的深度通道检索(DPR)模型,我们的设置,作为一个有吸引力的基线。最后,我们提出了一种新的模型,它集成了一个强大的共指评分计划到DPR架构,从而提高性能。
2022-10-23 cs.CL