ReTraCk: Ein flexibles und effizientes Framework für die Fragebeantwortung in Wissensbasen
{Feng Jiang Jian-Guang Lou Chin-Yew Lin Zhiwei Yu Qian Liu Shuang Chen}
Abstract
Wir präsentieren Retriever-Transducer-Checker (ReTraCk), einen neuronalen semantischen Parsing-Framework für die Fragebeantwortung über große Wissensbasen (KBQA). ReTraCk ist als modulares Framework konzipiert, um eine hohe Flexibilität zu gewährleisten. Es umfasst einen Retriever, der relevante Wissensbasiselemente effizient abruft, einen Transducer, der logische Formen mit Garantie für syntaktische Korrektheit generiert, sowie einen Checker, der den Transduktionsprozess verbessert. ReTraCk erreicht die Platzierung an erster Stelle insgesamt auf der GrailQA-Leaderboard und erzielt hochkonkurrenzfähige Ergebnisse auf dem typischen WebQuestionsSP-Benchmark. Unser System kann zeitnah mit Benutzern interagieren, was die Effizienz des vorgeschlagenen Frameworks unterstreicht.
Benchmarks
| Benchmark | Methodik | Metriken |
|---|---|---|
| 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 |
KI mit KI entwickeln
Von der Idee bis zum Start — beschleunigen Sie Ihre KI-Entwicklung mit kostenlosem KI-Co-Coding, sofort einsatzbereiter Umgebung und den besten GPU-Preisen.