检索结果-内蒙古大学图书馆

应用科学学报 2025年第2期43卷 288-300页

作者：房晓王红斌昆明理工大学信息工程与自动化学院云南昆明650500 昆明理工大学云南省人工智能重点实验室云南昆明650500 昆明理工大学云南省计算机技术应用重点实验室云南昆明650500

现有使用预训练语言模型和知识图谱的图神经网络问答的方法主要集中于构建知识图谱子图及推理过程的研究,这类方法忽略了问题上下文与知识图谱的语义差异,不能深层次挖掘文本表示形式与知识图谱表示形式的语义特征,且缺失两种表示形式... 详细信息

现有使用预训练语言模型和知识图谱的图神经网络问答的方法主要集中于构建知识图谱子图及推理过程的研究,这类方法忽略了问题上下文与知识图谱的语义差异,不能深层次挖掘文本表示形式与知识图谱表示形式的语义特征,且缺失两种表示形式的知识源对答案预测贡献度不同的综合考虑。针对上述问题,本文提出了一种基于知识图谱与门控机制的专家再学习推理问答方法。该方法将问题上下文表示及推理后的知识图谱表示进行拼接融合,并将融合后的表示向量随机分配至专家网络中,再次学习问题上下文与知识图谱所关联的实体语义特征来挖掘深层隐含知识,并结合门控机制对问题上下文及推理后的知识图谱表示精准打分,通过动态调整两种表示形式的知识源对答案预测的贡献,提升答案预测精度。在CommonsenseQA数据集和OpenBookQA数据集上进行了实验,实验结果表明所提方法的准确率比QA-GNN方法分别提高了2.08%和1.23%。

关键词：推理问答知识图谱图神经网络门控机制专家网络

来源：评论

学校读者我要写书评

暂无评论

推理问答的可解释性推理路径构建方法研究

推理问答的可解释性推理路径构建方法研究

引用

作者：曲瀚昊哈尔滨工业大学

学位级别：硕士

推理问答是人工智能由感知智能向认知智能发展的重要问题之一,推理问答的可解释性则是该问题的核心研究方向。这种可解释性可以利用推理路径来显式提供。现有的推理路径构建方式主要分为一次性和迭代式构建推理路径两种。一次性构建推... 详细信息

推理问答是人工智能由感知智能向认知智能发展的重要问题之一,推理问答的可解释性则是该问题的核心研究方向。这种可解释性可以利用推理路径来显式提供。现有的推理路径构建方式主要分为一次性和迭代式构建推理路径两种。一次性构建推理路径的方式效率高,但是缺少推理的过程,导致可解释性不足;迭代式构建推理路径的方式具有推理中间过程,但是效率低。同时一个复杂推理问题往往有多个合理的推理路径,现有的方法通常在整体推理路径层面迭代地构建多个推理路径,而在单个推理路径的构建上还是采用一次性构建方式,所以也存在可解释性不足的问题。针对上述问题,本文研究结合一次性和迭代式构建推理路径两种方式优点的单推理路径构建方法。进而,研究在推理路径分支级别迭代式多个推理路径构建方法。针对现有方法在推理路径构建的可解释性和效率两者难以兼得的问题,本文研究了一种从问题出发的高效迭代推理路径构建方法。该方法以问题节点作为根节点,迭代地寻找父亲节点和对应的孩子节点构建推理路径。在可解释性方面,该方法具有推理的中间过程和顺序性,继承了迭代式构建方式的高可解释性优点;在路径构建效率方面,该方法的推理能力更强,进而推理搜索空间更小,同时推理节点采用向量表示的方法,具有和一次性构建方式相同数量级的效率。在推理问答数据集DU5上该方法显示出明显的性能提升,推理路径构建准确率提升5.3%,同时相较于传统迭代式方法获得119.5倍的加速。针对现有多个推理路径构建方法可解释性不足的问题,本文研究了一种基于束搜索的迭代式多个推理路径构建方法。该方法利用推理路径束搜索模块构建多个候选的推理路径,保证了推理路径的召回率。这种方式在推理路径分支这个更细粒度的层面进行多个推理路径的信息共享,提高了多个推理路径构建的可解释性。对于候选推理路径中的错误路径,该方法利用错误路径去除模块以删除多个推理错误的路径,保证推理路径的准确率。在推理问答数据集DU5上的实验显示,该方法相较于传统方法在推理路径构建F1值提升8.2%,在推理路径整体准确率提升8.8%,在多个推理路径构建任务上达到了目前已知最好性能。

关键词：推理问答推理路径构建可解释性迭代模型

来源：评论

学校读者我要写书评

暂无评论

基于知识图谱的推理问答研究

基于知识图谱的推理问答研究

引用

作者：杜晨阳西安邮电大学

学位级别：硕士

知识图谱采用图结构化的方式存储数据信息,为处理海量非结构化的数据提供了一种有效的方式,因此在问答系统中得到了广泛应用。基于知识图谱的问答方法旨在准确理解用户提出的自然语言问题,并从知识图谱中检索出相应的答案返回给用户。目... 详细信息

知识图谱采用图结构化的方式存储数据信息,为处理海量非结构化的数据提供了一种有效的方式,因此在问答系统中得到了广泛应用。基于知识图谱的问答方法旨在准确理解用户提出的自然语言问题,并从知识图谱中检索出相应的答案返回给用户。目前,基于知识图谱的问答方法在简单问题中取得了优异性能,但是当面对复杂问题时因其缺乏推理能力,大大降低了问答准确率。一方面,用户倾向于表达含有多关系的复杂问题,这类问题往往需要在知识图谱中进行多跳推理才能得到答案。尽管基于强化学习的方法在多跳推理问答中取得了较好的性能,但是该方法仍然面临以下挑战:无目的搜索,即智能体在没有明确目标情况下进行的搜索行为;稀疏奖励,强化学习中,智能体只在少数情况下接收到奖励信号;虚假路径,即智能体经过的路径是错误的,但却得到了正确的答案。另一方面,在面对用户提出的含有时间约束问题时,现有的模型存在语义理解不充分,时间约束特征不明显的问题。针对以上提出的问题,本文制定了以下研究工作: (1)针对基于强化学习的方法在多跳推理问答中存在的无目的搜索、稀疏奖励、虚假路径的问题,本文提出了一种奖励引导的多跳推理问答方法。首先,根据自然语言问题生成候选实体,将该候选实体的向量加入到强化学习框架的“状态”中作为先验知识,以避免智能体无目的搜索。然后,引入评分机制为智能体预测的实体打分,将该得分作为智能体的得分奖励信号,以缓解稀疏奖励。最终,基于对抗网络的思想,构建一个答案生成模块和一个路径判别模块。其中,答案生成模块根据先验知识和得分奖励信号以及路径鉴别模块的反馈信号进行推理。路径鉴别模块则为答案生成模块中的推理路径评分,该评分同样也作为智能体的奖励信号,从而指导智能体沿正确路径推理。两个模块使用对抗学习的方式进行训练,互相提升。 (2)在面对时间约束的自然语言问题时,现有的模型存在语义理解不充分,时间约束特征不明显的问题,导致时间推理问答效果不佳。因此,在基于语义增强的时间推理问答方法中,提出了一种语义增强推理问答方法。该方法由问题语义表示模块、图嵌入模块、信息融合模块和答案选择模块四个部分组成。问题语义表示模块对隐式时间进行处理同时获取问题关系表示向量;在图嵌入模块中,首先利用成分句法分析和依存句法分析关注问题的层次结构信息,挖掘深层次语义信息,最后结合Masked Self-Attention来增强时间信息对自然语言问题不同部分的约束特征;信息融合模块中使用信息融合函数将时间约束特征集成到问题关系表示中;答案选择模块使用评分函数为自然语言问题选择答案。通过在“多跳问答”数据集上实验,证明了本课题所提出方法的有效性。此外,通过消融实验验证了本课题所提出的方法能够有效缓解基于强化学习的多跳推理问答领域中存在的问题;通过在CRONQUESTIONS和Im Constrained-Questions数据集上进行实验,证明了基于语义增强的时间推理问答方法能够充分理解含有时间约束的自然语言问题,挖掘时间约束特征,在时间推理问答方面取得了优异的性能。

关键词：问答系统知识图谱时序知识图谱推理问答

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：