Matcha-cheese-优快云博客

原创论文阅读：QA-GNN: Reasoning with Language Models and Knowledge Graphsfor Question Answering

方法需要(i)从大型KGs中识别相关知识，以及(ii)在QA上下文我们使用LM来估计相对于给定QA上下文的KG节点的重要性。我们将QA上下文和KG连接起来形成一个联合图，并通过图神经网络相互更新它们的表示。我们在常识(CommonsenseQA, OpenBookQA)和生物医学(MedQA-USMLE)领域的QA基准上评估我们的模型。QA-GNN优于现有的LM和LM+KG模型，并展示了执行可解释和结构化推理的能力，例如，正确处理问题中的否定。

2024-04-13 15:48:32 2247 1

原创论文阅读：图神经网络应用于知识图谱推理的研究综述

知识图谱推理的核心是针对三元组中的实体和关系进行预测，因此，需要对图数据的结构信息以及实体的属性信息进行表示，进而开展推理任务。GNN依靠其强大的点和边来对非欧几里德数据建模，高效地解决了在实际应用中遇到的图结构数据问题。图神经网络可以很好地学习知识图谱中的节点信息、节点间关系信息以及全局结构信息。基于RecGNN的知识推理通过不断地迭代传播邻接节点信息，得到图谱中节点的最终表示，进而开展知识推理。相比传统算法，模型同时考虑知识图谱的语义信息和结构信息，具备更好的可解释性和更强的推理能力；

2024-04-01 18:24:48 3344 1

原创论文复现：QA-GNN: Reasoning with Language Models and Knowledge Graphsfor Question Answering

2.创建一个nltk_data文件夹，往下再创建一个corpora文件夹，最后把stopwords解压后的文件夹放在corpora文件夹下：D:\Python3.8\nltk_data\corpora（根据自己的报错路径对应去放）因为我的pip install不知道抽什么风了，不能直接网络下载torch-scatter torch-sparse torch-geometric 所以我本地下载，链接放下面了。1.去github下载模型，根据自己的spacy的版本下载对应的en版本。在终端中运行以下命令。

2024-03-27 18:12:42 2473 3

论文复现：QA-GNN: Reasoning with Language Models and Knowledge

除了带有 ConceptNet 知识图谱的常识性 QA 数据集（CommonsenseQA、OpenBookQA）外，我们还添加了一个生物医学 QA 数据集（MedQA-USMLE），其中包含基于疾病数据库和 DrugBank 的生物医学知识图谱。您可以从 [此处] 下载所有数据。解压缩它并将 and 文件夹放在目录中。虽然这些数据已经过预处理，但我们还提供了我们在中使用的预处理脚本

2024-04-24

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

原创 论文阅读：QA-GNN: Reasoning with Language Models and Knowledge Graphsfor Question Answering