Resumen

La respuesta a preguntas complejas en el mundo real es una tarea exhaustiva y desafiante debido a que exige una comprensión más profunda de la pregunta y una inferencia más profunda. La recuperación de información es una solución común y fácil de implementar, pero no puede responder a preguntas que necesitan dependencias de larga distancia a través de múltiples documentos. La base de conocimientos (KB) organiza la información como un grafo, y la inferencia basada en la KB puede emplear fórmulas lógicas o incrustaciones de conocimiento para capturar esas asociaciones semánticas de larga distancia. Sin embargo, la inferencia basada en la base de conocimientos no se ha aplicado bien a la respuesta a preguntas del mundo real, porque hay lagunas entre el lenguaje natural, la estructura semántica compleja y las hipótesis adecuadas para la inferencia. Proponemos desacoplar la inferencia basada en la KB transformando una pregunta en una tripleta de alto nivel en la KB, lo que permite aplicar métodos de inferencia basados en la KB para responder a preguntas complejas. Además, creamos un conjunto de datos especializado de respuesta a preguntas sólo para la inferencia, y nuestro método se demuestra eficaz mediante la realización de experimentos tanto en el conjunto de datos AI2 Science Questions como en el nuestro.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:kb, inferencia basada, preguntas complejas, estructura semántica compleja, métodos de inferencia basados, comprensión de preguntas más profundas, preguntas científicas ai2, respuesta a preguntas especializadas, inferencia, hipótesis adecuada
• Keywords:kb, based inference, complex questions, complex semantic structure, based inference methods, deeper questions understanding, ai2 science questions, specialized questions answering, inference, appropriate hypothesis