.png){kind=icon}
返回
Complex knowledge base question answering with difficulty-aware active data augmentation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.127460.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于程序归纳的语义解析是解决复杂知识库问答的关键方法。传统方法通常将自然语言问题转换为多步可执行程序，这往往需要大量准确标注的问题-程序对才能实现高性能。然而，生成此类高质量标注数据通常劳动密集，且依赖领域专家的人工努力，导致实际场景中标注数据不足。为在数据受限环境下提升模型性能，我们提出DADA-CQA，一种采用难度感知主动数据增强的复杂问答方法。该方法利用主动学习生成与验证集中错误样本相似的合成问题-程序对。首先，对代表性错误样本进行聚类，然后选择以创建程序模板。其次，通过在基于知识库的程序生成算法中应用替换规则，将这些模板实例化为具有多样化组成和正确参数的合成程序。接着，使用基于提示的问题生成方法将合成程序翻译成语义一致的合成问题。最后，将这些动态生成的合成对与原始训练集合并进行进一步训练。此外，我们引入一种基于加权投票机制的投票排序器，以提升推理阶段多个候选程序预测的准确性。在KQA Pro上的实验结果表明，DADA-CQA在完全监督和低资源设置下均显著优于先前基线，验证了难度感知主动数据增强在提升模型性能和训练效率方面的有效性。
Keyword:
Program induction
Complex question answering
Active data augmentation
Synthetic pair generation
Voting ranker
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
.png){kind=icon}
KB-Plugin: A Plug-and-play Framework for Large Language Models to Induce Programs over Low-resourced Knowledge BasesKB-Plugin：一种用于大型语言模型在低资源知识库上诱导程序的即插即用框架
PREAI
分享收藏VisKoP: Visual Knowledge oriented Programming for Interactive Knowledge Base Question AnsweringVisKoP：面向交互式知识库问答的视觉知识导向编程
OAAI
OAAI分享收藏
查看更多内容