27487

ارائه الگوريتمي براي تبديل متن به گراف براي سامانه‌هاي پاسخ به پرسش چندگامي مبتني بر استدلال ماشيني

كارشناسي ارشد

مهندسي كامپيوتر - نرم افزار

1398

1401/09/14

دكتر بهروز مينايي بيدگلي

مهندسي كامپيوتر

سـامانههاي پرسـش و پاسـخ چندگامي از تكنيكهاي مختلفي براي پاسـخدهي به پرسـشها اسـتفاده ميكنند. يكي از رايجترين اين روشها اسـتدلال گرافي اسـت. در اين روش يك مدل شـبكه اسـتدلال گرافي، بر روي گرافي سـاخته شـده از ارتباطات معنايي و سـاختاري جملات، براي يافتن پاسـخ و جملات پشـتيبان اسـتدلال ميكند. در پرسـش و پاسـخ چندگامي مبتني بر گراف، سـاخت گراف از روي متن يك گام كليدي محسـوب ميشـود. براي سـاخت اين گراف از رويكردهاي مختلفي اسـتفاده شـده، از جمله سـاخت گراف بر مبناي روابط همرويدادي، روابط معنايي و يا سـاخت گرافهاي نامتجانس. در اين پژوهش در ابتدا به روشـي نوين از ساخت گراف براي پاسـخدهي به سـوالات پرداخته شـده اسـت. در اين رويكرد، گراف با كمك يك مدل شـبكه عصـبي عميق به شـكل هدفمند سـاخته ميشـود. ابتدا مدل آموزش داده شـده بر روي يك مجموعه داده سـاخته شـده به شـكل خودكار، پيش بيني ميكند كه پاسـخ سـوال از چه نوع موجوديتي خواهد بود. سـپس يك گراف، متشـكل از گرههاي نامتجانس و يالهاي مبتني بر ارتباطات نحوي و معنايي بين گرهها سـاخته ميشـود. در نهايت اين گراف بر روي تمامي نمونههاي آموزش مجموعه داده هات پات كيواي ســاخته شــده و گرافهاي سـاخته شـده ارزيابي ميشـوند. براي ارزيابي گراف از يك سـامانه پرسـش و پاسـخ مبتني بر گراف اسـتفاده شـده اسـت. ارزيابي عملكرد اين سـامانه نشـان دهنده پيشـرفت چشـمگير نسـبت به مدلهاي پرسـش و پاسـخ مطرح مبتني گراف پيشين است.

1401/09/20

An Algorithm for Converting Text to Graph for Multi-Hop Question Answering Systems based on Machine Reasoning

12/5/2023 12:00:00 AM

In the field of multi-hop question answering (QA), graph reasoning is one of the most popular approaches. In this approach, a graph reasoning network is proposed to predict the answer and supporting facts over a graph based on semantic and synthetic relations of sentences. In graph-based multi-hop question answering, graph construction is a key step. Different techniques have been used to construct this graph, such as constructing a graph based on word co-occurrence, semantic relations, or constructing heterogeneous graphs. This work proposes a novel approach for graph construction, taking advantage of the deep neural networks to efficiently build the graphs. First, a model learns to classify questions based on their type of answer over an automated generated dataset. Then, a heterogeneous graph contains different type of nodes and edges will be constructed. Nodes have three types: (I) entities with the same type as the model’s predicted type, (II) question entities, and (III) co- occurred entities with the first group of nodes in a sentence. Edges have two types: (I) co- occurrence and (II) semantic relations. This approach will help to construct graphs with less noise and help the graph reasoning module to predict more accurate answers and supporting facts. In the final section of this research, the results of a graph-based question answering system shows how effective this approach of graoh construction has been.

گراف متني , گراف نامتجانس , پرسش و پاسخ پيچيده , طبقه بندي سوالات

Graph , Heterogenous Graph , Complex Question Answering , Question Classification

Ali Forooghi

Dr. Behrouz Minaei Bidgoli