Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Au-delà des données visibles : amélioration de la généralisation KBQA grâce à la génération de formulaires logiques guidés par schéma

Created by
  • Haebom

Auteur

Shengxiang Gao, Jey Han Lau, Jianzhong Qi

Contour

Cet article propose un nouveau modèle, SG-KBQA, pour résoudre le problème des questions-réponses basées sur les connaissances (KBQA), où les éléments basés sur les connaissances sont invisibles au moment du test. SG-KBQA améliore les performances de généralisation en intégrant le contexte du schéma dans la recherche d'entités et la génération de formes logiques, en exploitant une sémantique riche et en tenant compte de la structure basée sur les connaissances. Les résultats expérimentaux démontrent que SG-KBQA surpasse les modèles de pointe dans divers contextes de test sur deux jeux de données de référence couramment utilisés. Le code source est disponible à l' adresse https://github.com/gaosx2000/SG_KBQA .

Takeaways, Limitations

•
Takeaways:
◦
Une nouvelle méthode pour améliorer les performances de généralisation de KBQA en tirant parti du contexte du schéma.
◦
Obtenez des performances qui surpassent les modèles de pointe existants
◦
Reproductibilité et recherches supplémentaires possibles grâce au code source ouvert
•
Limitations:
◦
Une vérification des performances sur des ensembles de données autres que les deux ensembles de données de référence présentés est nécessaire.
◦
Une analyse plus approfondie des effets du contexte du schéma est nécessaire.
◦
Une évaluation des performances dans des environnements d’application réels est requise.
👍
Made with Slashpage