Key points are not available for this paper at this time.
Die Beantwortung von Fragen zu Wissensdatenbanken (KBQA) stellt eine einzigartige Herausforderung für die Forschung im Bereich der semantischen Analyse dar, aufgrund von zwei miteinander verwobenen Herausforderungen: großem Suchraum und Mehrdeutigkeiten in der Schema-Verknüpfung. Konventionelle KBQA-Modelle, die auf einer Kandidatenermittlung basieren, um den Suchraum zu reduzieren, haben Schwierigkeiten mit der Flexibilität bei der Vorhersage komplizierter Abfragen und weisen impraktikable Laufzeiten auf. In diesem Papier präsentieren wir ArcaneQA, ein neuartiges generatives Modell, das sowohl die Herausforderungen des großen Suchraums als auch der Schema-Verknüpfung in einem einheitlichen Rahmen mit zwei sich gegenseitig verstärkenden Elementen angeht: dynamische Programminduktion zur Bewältigung des großen Suchraums und dynamische kontextualisierte Kodierung für die Schema-Verknüpfung. Experimentelle Ergebnisse auf mehreren beliebten KBQA-Datensätzen zeigen die überaus wettbewerbsfähige Leistung von ArcaneQA sowohl in Bezug auf Effektivität als auch Effizienz.
池谷 et al. (Sun,) haben diese Frage untersucht.