ReTraCk: إطار مرنة وفعّال للإجابة على الأسئلة باستخدام قواعد المعرفة
{Feng Jiang Jian-Guang Lou Chin-Yew Lin Zhiwei Yu Qian Liu Shuang Chen}
الملخص
نقدم إطار العمل Retriever-Transducer-Checker (ReTraCk)، وهو إطار لتحليل الدلالة العصبي (neural semantic parsing) مُصمم لتقديم إجابات على أسئلة قواعد المعرفة على نطاق واسع (KBQA). تم تصميم ReTraCk كإطار معياري يحافظ على مرونة عالية، حيث يتضمن وحدة استرجاع (retriever) لاسترجاع عناصر قاعدة المعرفة ذات الصلة بكفاءة، ووحدة تحويل (transducer) لإنشاء الصيغ المنطقية مع ضمان التصحيح النحوي، بالإضافة إلى وحدة فحص (checker) لتحسين عملية التحويل. وقد حصل ReTraCk على المرتبة الأولى إجمالاً في قائمة التصنيف الخاصة بـ GrailQA، كما حقق أداءً تنافسياً قوياً في معيار WebQuestionsSP الشهير. ويُظهر نظامنا قدرة على التفاعل الفوري مع المستخدمين، مما يُبرز كفاءة الإطار المقترح.
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| knowledge-base-question-answering-on-1 | ReTraCk Oracle EL | F1: 74.7 Hits@1: 74.6 |
| knowledge-base-question-answering-on-1 | ReTraCk | F1: 71 Hits@1: 71.6 |
| knowledge-base-question-answering-on-grailqa | ReTraCk | Compositional EM: 61.5 Compositional F1: 70.9 I.I.D. EM: 84.4 I.I.D. F1: 87.5 Overall EM: 58.1 Overall F1: 65.3 Zero-shot EM: 44.6 Zero-shot F1: 52.5 |
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.