Command Palette
Search for a command to run...
نهج متعدد المراحل لتحسين التعميم في الإجابة على الأسئلة باستخدام قواعد المعرفة
{Anonymous}
الملخص
تركز معظم الطرق الحالية لاستجابة الأسئلة القائمة على قواعد المعرفة (KBQA) على قاعدة معرفة أساسية محددة، إما بسبب الافتراضات المتأصلة في الطريقة، أو لأن تقييمها على قاعدة معرفة مختلفة يتطلب تغييرات غير بسيطة. ومع ذلك، تتشابه العديد من قواعد المعرفة الشهيرة في هيكلها الأساسي، ويمكن استغلال هذه التشابهات لتمكين التعميم عبر قواعد المعرفة المختلفة. لتحقيق هذا التعميم، نقدم إطار عمل لـ KBQA يعتمد على بنية ثنائية المراحل، والتي تفصل صراحةً بين تحليل المعنى وتفاعل قاعدة المعرفة، مما يسهل التعلم القابل للانتقال عبر المجموعات البيانات والرسوم البيانية للمعرفة. نُظهر أن التدريب المسبق على مجموعات بيانات تستخدم قاعدة معرفة أساسية مختلفة يمكن أن يُحقق مكاسب كبيرة في الأداء ويقلل من تعقيد العينات. يحقق نهجنا أداءً مماثلاً أو يفوق الأداء الحائز على أحدث المستويات في مجموعات بيانات LC-QuAD (DBpedia)، وWebQSP (Freebase)، وSimpleQuestions (Wikidata)، وMetaQA (Wikimovies-KG).
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| knowledge-base-question-answering-on-4 | STaG-QA | F1: 61.2 |
| knowledge-base-question-answering-on-lc-quad | STaG-QA | F1: 53.6 |
بناء الذكاء الاصطناعي بالذكاء الاصطناعي
من الفكرة إلى الإطلاق — عجّل تطوير الذكاء الاصطناعي الخاص بك من خلال البرمجة المشتركة المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.