Question Answering: KB-QA

最新推荐文章于 2025-03-24 13:24:40 发布
原创 最新推荐文章于 2025-03-24 13:24:40 发布 · 181 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文综述了基于知识图谱的问答系统（KBQA）的发展趋势，从基本概念、技术原理到实际应用案例，探讨了KBQA在信息检索、智能客服和自然语言理解中的关键作用，以及当前的热点研究和技术挑战。

Question Answering: KB-QA, 基于知识库的问答

Ref：

KBQA: 知识图谱上的问答系统概述

https://blog.youkuaiyun.com/Solo95/article/details/102619915


KBQA: 趋势浅谈  https://blog.youkuaiyun.com/weixin_43269174/article/details/105464161
知识图谱-给AI装个大脑 https://zhuanlan.zhihu.com/knowledgegraph
基于知识图谱的问答系统(KBQA)  https://blog.youkuaiyun.com/keyue123/article/details/85266355

Question Answering(QA)论文整理(一)
https://blog.youkuaiyun.com/yinizhilianlove/article/details/104739220
https://blog.youkuaiyun.com/yinizhilianlove/article/details/105013344
https://blog.youkuaiyun.com/yinizhilianlove/article/details/105013919

QA：baidu FAQ
https://blog.youkuaiyun.com/qq_28385535/category_8301272.html


 

知识库问答KB-QA——简介
strivequeen的博客
10-29 1142
一、知识库 把大量的知识汇聚起来就成为了知识库。我们可以在wiki百科，百度百科等百科全书查阅到大量的知识。然而这些百科全书的知识组建形式是非结构化的自然语言，为方便计算机的处理和理解，我们需要更加形式化、简洁化的方式去表示知识，那就是三元组（triple）(实体entity,实体关系relation,实体entity)，若把实体看作是结点，把实体关系（包括属性，类别等等）看作是一条边，那么包含了大量三元组的知识库就成为了一个庞大的知识图。 知识库分为两种类型： 以Freebase,Yago2为代表的Cu
论文阅读：Text-based Question Answering from Information Retrieval and Deep Neural Network Perspectives
qq_38293297的博客
09-07 1390
从信息检索和深度神经网络视角的基于文本的问答：调研 文章目录从信息检索和深度神经网络视角的基于文本的问答：调研0. 摘要1. 介绍2. 基于文本的问答的主要框架3. 来自信息检索的问答相似性4. 深度学习视角下的问答相似性4.1 表示模型4.2 交互模型4.3 混合模型 0. 摘要 基于文本的问题回答(QA)是一项具有挑战性的任务，旨在为用户的问题找到简短而具体的答案。这一领域的研究已使用信息检索技术进行广泛研究 ，并在近年来考虑的深度神经网络方法中已得到越来越多的关注 。深度学习方法是本文的重点，它提
Visual Question Answering: A Survey of Methods and Datasets
bxg1065283526的博客
05-22 3544
Abstract 视觉问答（VQA）是一项具有挑战性的任务，已受到计算机视觉和自然语言处理社区的越来越多的关注。给定图像和自然语言的问题，就需要对图像的视觉元素和常识进行推理，以推断出正确的答案。在本调查的第一部分中，我们通过比较解决问题的现代方法来检查最新技术。我们通过它们将视觉和文本模态联系起来的机制对方法进行分类。特别是，我们研究了结合卷积神经网络和递归神经网络将图像和问题映射到公共特征空间的通用方法。我们还将讨论与结构化知识库交互的内存增强型和模块化体系结构。在本调查的第二部分，我们回顾了可...
KaFSP: Knowledge-Aware Fuzzy Semantic Parsing for Conversational Question Answering over a Large-Sca
yingzi的技术博客
10-18 409
在本文中，研究了在大规模知识库问答上的会话的两个问题- 语法中定义的行为不足以解决现实场景中的不确定推理- 知识基础信息未能充分利用，也没有被纳入语义解析中为了解决上述两个问题，我们提出了一个knowledge-aware fuzzy semantic parsing framework (KaFSP)。它定义了模糊比较操作在基于不确定推理的语法系统中，这部分涉及了模糊集理论。
Retrieval Augmented Visual Question Answering with Outside Knowledge
kebijuelun的博客
03-11 954
k∗​sk∗​。
KB-QA
qq_39161216的博客
06-18 857
https://www.codercto.com/a/32846.html 篇和KBQA多多少少有些相关的论文，有些精读有些只是略读。 1.《Improving Natural Language Inference Using External Knowledge in the Science Questions Domain》 在NLI（自然语言推理）任务中，提出一种结合知识库的方法。 已有的引...
Visual question answering: a state‑of‑the‑art review（二）
奋斗小青年
12-25 648
上一篇链接：https://blog.youkuaiyun.com/sx1996csdn/article/details/111608040 目录 5 Datasets 6 Performance evaluation 7 Discussions andfuture directions 7.1 VQA phases 7.2 Datasets 7.3 Evaluation 7.4 Others 8 Conclusion 5 Datasets 本节详细讨论了用于验证VQA模型及其特征的各种公开...
Ask Me Anything:Free-form Visual Question Answering Based on Knowledge from External Sources
lsh894609937的专栏
03-16 1541
这篇文章将自动生成的图像描述与一个外部的Knowledge bases相融合，对问题进行预测。图像描述生成主要来自于image captions集，并且从Knowledge bases提取基于文本的外部知识。框架图：    给定图像-问答对，首先利用CNN提取图像的Attributes集合。这些Attributes涉及范围很广，包括object,scenes,action,modifier
翻译：A RAG-Based Question-Answering Solution for Cyber-Attack Investigation and Attribution
最新发布
Penheim的博客
03-24 1197
在不断演变的网络安全领域，分析师必须紧跟最新的攻击趋势及有助于调查和溯源网络攻击的相关信息。在这项工作中，我们推出了首个问答 (QA) 模型及其应用，为网络安全专家提供关于网络攻击调查与溯源的信息支持。我们的 QA 模型基于检索增强生成（RAG）技术，并结合了大型语言模型（LLM），根据包含精心整理的网络攻击调查与溯源信息的知识库（KB）或用户提供的外部资源，回答用户提出的问题。
LLM&Graph: Generate-on-Graph: Treat LLM as both Agent and KG
zerokusinage的博客
12-13 1169
EMNLP 2024 会议论文 : GOG解读
知识库问答KB-QA——信息抽取
strivequeen的博客
10-31 1193
以一个该方法的经典代表作为例，该方法来自约翰·霍普金斯大学Yao X, Van Durme B.的 Information Extraction over Structured Data: Question Answering with Freebase（文章发表于2014年的ACL会议）。 该类方法通过提取问题中的实体，通过在知识库中查询该实体可以得到以该实体节点为中心的知识库子图，子图中的每一个节点或边都可以作为候选答案。通过观察问题，依据某些规则或模板进行信息抽取，得到表征问题和候选答案特征的特征向.
Bert系模型：RoBERTa, BART, ALBERT, etc 论文译读
apache的专栏
03-31 2709
Bert系模型：RoBERTa, BART, ALBERT, etc
benchmark: GLUE ,CoQA,SQuAD
apache的专栏
03-13 944
General Language Understanding Evaluation (GLUE) benchmark Ref 任务 https://gluebenchmark.com/tasks 排行榜 https://gluebenchmark.com/leaderboard GLUE: 自然语言理解的标杆https://blog.youkuaiyun.com/weixin_43269174/article/details/106382651 ...
KG知识图谱
apache的专栏
03-24 825
KG知识图谱
Chatbot: Microsoft XiaoIce
apache的专栏
04-16 739
Chatbot: Microsoft XiaoIce The Design and Implementation of XiaoIce, an Empathetic Social Chatbot,2018https://arxiv.org/abs/1812.08989https://mp.weixin.qq.com/s/wBsh9dmMPks04X2pDB8Anghttps://zhuanlan.zhihu.com/p/57532328
卡耐基梅隆大学计算机学院语言技术系的资源大全（2018更新），
apache的专栏
11-16 676
卡耐基梅隆大学计算机学院语言技术系的资源大全（2018更新）【王威廉的链接已失效】 1.语言技术系主页  https://lti.cs.cmu.edu/   2.资源大全     http://catalogue.lti.cs.cmu.edu/ 3. NLP/CL at Carnegie Mellon    http://www.cs.cmu.edu/~nasmith/nlp-cl.html...
Question Answering: IR-QA
apache的专栏
03-26 437
NLP for Question Answering https://qa.fastforwardlabs.com/
transformer系：transformer-xl，Lite Transformer
apache的专栏
03-31 240
transformer系：transformer-xl，Lite Transformer
Question Answering： Chen Danqi Stanford
apache的专栏
04-01 229
Question Answering ============ SQuAD: 100,000+ Questions for Machine Comprehension of Text Bidirectional Attention Flow for Machine Comprehension Reading Wikipedia to Answer Open-Domain Questions Latent Retrieval for Weakly Supervised Open Domain Que
少即是多：数据高效复杂KB问答的NS-CQA框架
研究提出了一个名为NS-CQA（Neural-Symbolic Complex Question Answering）的框架，该框架利用强化学习，并且只需要少量的训练样本就能解决复杂问题。以下是对该框架及其关键组成部分的详细说明： 1. **神经生成器...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值