ACL 19 论文阅读---Cognitive Graph for Multi-Hop Reading Comprehension at Scale （待完善）

最新推荐文章于 2026-06-06 08:34:04 发布
原创 最新推荐文章于 2026-06-06 08:34:04 发布 · 2.6k 阅读 · 3 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
收录于
NLP学习之旅

当前文章被收录于：

NLP学习之旅
30 篇文章 4 人学习
订阅专栏 查看详情
AI转型之路

当前文章被收录于：

AI转型之路
26 篇文章 1 人学习
订阅专栏 查看详情
本文介绍了一种名为CognitiveGraphQA的多跳阅读理解架构，该架构基于Dualprocess理论设计，旨在解决机器阅读理解中的推理能力、可解释性和规模性挑战。系统通过两个核心组件实现目标：系统1负责抽取与问题相关的实体并编码语义向量；系统2则利用图神经网络在CognitiveGraph上进行推理计算。实验结果显示，CognitiveGraphQA在HotpotQA数据集上的表现达到当前最优。

1. 论文研读笔记

1.1 研究动机

本文是唐杰老师组在ACL2019上的一篇长文。本文针对机器阅读现在的三个挑战：推理能力，可解释性和规模性，论文基于Dual process theory设计了Cognitive Graph QA架构，来实现多跳的阅读理解。下图可以简单展示本文的多跳阅读的概念：
motivation

1.2 研究方法

本文的核心架构如下，系统1在抽取与问题相关的实体并编码语义向量，系统2利用图神经网络在Cognitive Graph上进行推理计算.
system
算法流程伪代码：
algorithm

1.3 实验结果

从实验上看，CongQA达到了HotpotQA 数据集的STOA
experiment

1.4 个人点评

(待续）

认知图谱 Cognitive Graph.pdf
06-03
认知图谱 Cognitive Graph.pdf
CCF-唐杰-认知图谱Cognitive Graph 理解、认知与推理-2019-10-19.pdf
02-17
转自CCF，网址：https://dl.ccf.org.cn/lecture/lectureDetail?id=4663476289865728。 摘要：利用可解释推理机制对知识图谱进行推断是一个非常重要的问题，已受到广泛关注。本报告提出一种新型的知识图谱学习框架 CognitiveGraph, 该框架建立在认知科学dual process 理 论基础上，通过协调内涵抽取模块和外延推理模块迭代构建认知图谱，并且给出了一种可解释推理路径。CognitiveGraph 框架的实现基于 BERT 和图神经网络 GNN, 能够有效的处理超大规模节点网络，已经成功应用于许多领域，包括基于推理的问答系统 ( HotpotQA ) ，表现出相对现有方法最好的性能。
Cognitive Graph for Multi-Hop Reading Comprehension at Scale
qq_42388742的博客
05-24 671
多跳阅读理解的认知图 Abstract 提出web-scale文档的多条QA框架—CogQA。该框架基于认知科学(cognitive science)中的双重过程理论，通过协调隐式提取模块(系统1)和显式推理模块(系统2)，在迭代过程中逐步构建认知图。在给出准确答案的同时，我们的框架进一步提供了可解释的推理路径.提供了基于BERT和GNN的高效处理百万文档的HotpotQA fullwiki数据集中的多跳推理问题。F1值34.9，当时最优。 引言 MRC现存问题 1） 推理问题，单段落倾向于匹配而非复杂推
Dynamically Fused Graph Network for Multi-hop Reasoning
qq_42388742的博客
05-27 728
用于多跳推理的动态融合图网络 0. Abstract 提出了一个Dynamically Fused Graph Network (动态融合图网络，DFGN)。受到人类循序渐进的推理行为的启发，DFGN包括一个动态融合层，它从给定查询中提到的实体开始，沿着从文本动态构建的实体图进行探索，并从给定文档中逐渐找到相关的支持实体。SOTA，此外，我们的分析表明，DFGN可以产生可解释的推理链。 1. Introduction multi-hop QA，给出一个查询，一系列文档，单并不是全部相关。答案需要从多个文档选
论文笔记与源码阅读：《Cognitive Graph for Multi-Hop Reading Comprehension at Scale》
XiangJiaoJun_的博客
05-01 2062
目录总结论文笔记IntroductionCognitve Graph QA Framework输入数据的格式System 1系统一输入系统一输出 论文链接如下 Cognitive Graph for Multi-Hop Reading Comprehension at Scale 论文链接 总结   传统的MRC一般分为四个任务，完形填空（Cloze Test）、选择题（Multiple Ch...
Cognitive Graph for Multi-Hop Reading Comprehension at Scale论文泛读笔记
freedom_king的博客
09-08 2076
一、写在前面的话 由于时间有点赶，所以大致上只是简单地浏览了一遍，如有不对的地方，还望多多指教。整体看来，该模型的提出是针对多跳阅读理解，即若问题想要的答案无法在包含在一次检索中。 故CogQA使用两个系统来维护一张认知图谱（Cognitive Graph），系统一在文本中抽取与问题相关的实体名称并扩展节点和汇总语义向量，系统二利用图神经网络在认知图谱上进行推理计算。 二、论文模型 1. 系统一...
Cognitive Graph for Multi-Hop Reading Comprehension at Scale(ACL2019) 阅读笔记及代码解析
gxc19971128的博客
07-25 591
1.摘要 提出了一个新的CogQA框架来解决web文档中的多跳问题。该框架以认知科学中的双过程理论为基础，通过协调隐式提取模块（系统1）和显式推理模块（系统2），在迭代过程中逐步构建认知图。在给出准确答案的同时，我们的框架还提供了可解释的推理路径。具体地说，我们的1基于BERT和图形神经网络（GNN）的实现可以有效地处理HotpotQA-fullwiki数据集中的数百万个多跳推理问题文档 2.研究背景 假设你手边有一个维基百科的搜索引擎，可以用来获取实体对应的文本段落，那么如何来回答下面这个复杂的问题
GNN4NLP-Papers完全指南：一文读懂图神经网络在NLP领域的革命性应用
gitblog_00434的博客
06-06 790
GNN4NLP-Papers是一个专注于图神经网络（GNN）在自然语言处理（NLP）领域应用的学术资源库，收录了ACL、EMNLP、NAACL等顶级会议近年来的相关研究成果。通过这份完全指南，你将系统了解GNN如何为NLP任务带来突破性进展，掌握从基础理论到实际应用的完整知识体系。 ## 为什么选择GNN4NLP-Papers？ 在深度学习主导NLP研究的今天，图神经网络凭借其处理结构化数据的
图神经网络+NLP零基础入门：GNN4NLP-Papers精选论文推荐与代码实现
最新发布
gitblog_00241的博客
06-06 903
GNN4NLP-Papers是一个专注于图神经网络（GNN）在自然语言处理（NLP）领域应用的精选论文集合，涵盖了ACL、EMNLP、NAACL等顶级学术会议的最新研究成果。本文将为零基础学习者提供一份系统的入门指南，帮助你快速掌握GNN与NLP结合的核心技术和应用方向。 ## 为什么选择GNN4NLP-Papers？ GNN4NLP-Papers项目自2020年起持续更新，截至2022年9月
用于理解、推理和决策的认知图计算【Cognitive-Graph】.zip
11-29
图（Graph）是一种重要的数据结构，它由节点V（或称为顶点，即个体），与边E（即个体之间的联系）构成。图数据的典型例子有网页链接关系、社交网络、商品推荐等。由于图的巨大表现能力，在图上的研究，近年来备受瞩目。清华大学的唐杰老师，近日在自己的个人主页上更新了关于图表示学习方面的PPT，阐述了他在图表示学习领域方面的工作进展。
SH9构建与应用四维认知对话流形：对话几何的量化框架（世毫九实验室原创理论）
shardylab.blog.csdn.net
03-01 643
本框架的意义不仅在于为认知科学提供了全新的微分几何工具集，更在于建立了认知科学、数学物理、人工智能之间的跨学科桥梁，为理解对话的本质、认知的规律、宇宙的自指性提供了新的视角。定理7.3（不动点存在定理）：在完备度量空间 中（ 为所有可能的宇宙状态构成的集合， 为状态间的距离），若描述算子 是压缩映射（即存在常数 ，使得对任意 ，有 ），则存在唯一的不动点 ，满足。预测一（拓扑不变量的奇偶性）：任何深度超过20轮的人类对话，其概念网络经四维MDS嵌入后，生成的对话流形的欧拉示性数 必为偶数，且满足。
SH9构建与应用四维认知对话流形：对话几何的量化框架〔世毫九实验室原创理论〕
shardylab.blog.csdn.net
04-06 402
（3）分析对话几何的准晶体式对称特征，观测到倒易空间与黄金比例相关的结构特征；由全体语句态矢构成的集合 \mathcal{P} = \{|\psi_1\rangle,\dots,|\psi_N\rangle\} 为对话在语义空间中的点云表示。在此背景下，本文将对话视为认知状态的连续演化轨迹，引入微分几何与分形分析工具，构建可计算、可验证的对话几何框架，实现对话结构与认知过程的定量化描述。• G_{\mu\nu}=R_{\mu\nu}-\frac{1}{2}Rg_{\mu\nu} 为爱因斯坦张量；
Multi-hop Reading Comprehension through Question Decomposition and Rescoring 论文笔记
qq_42791848的博客
02-16 2023
Multi-hop Reading Comprehension through Question Decomposition and Rescoring 2019年的一篇在Hotpot数据集上进行实验的文章，由UW和AllenAI共同发表。 Overview 这篇文章是在HotpotQA数据集提出后发表的，针对HotpotQA所提出的复杂问题多跳推理任务提出解决方案。本文所提出的模型叫做DECOMPRC，核心在于DECOMP，也就是对复杂问题进行分解。这种做法在KBQA中也出现过，对应的模型叫做TextRa
多跳机器阅读理解Cognitive Graph for Multi-Hop Reading Comprehension at Scale
彭伟的博客
06-28 1660
《Cognitive Graph for Multi-Hop Reading Comprehension at Scale》 这篇文章是清华和阿里巴巴共同发表在2019acl上面。主要是从推理能力和可解释性方面结合预训练语言模型以及图神经网络，构造了CogQA。在hotpotqa数据集上面取得了很好的效果。 分以下四部分介绍： Motivation Model Experiment Discussion 1、Motivation 这篇文章认为深度学习已经取得了很大的进步，但是在人类和机器的理解能力方面还
Cognitive Graph for Multi-Hop Reading Comprehension at Scale解说
weixin_42305378的博客
07-25 799
我们提出了一个新的CogQA框架，用于网络规模的多跳问题回答文件。该框架以认知科学中的双过程理论为基础，通过协调隐式提取模块（系统1）和显式推理模块（系统2），在迭代过程中逐步构建认知图。在给出准确答案的同时，我们的框架还提供了可解释的推理路径。具体地说，我们的1基于BERT和图形神经网络（GNN）的实现可以有效地处理HotpotQA-fullwiki数据集中的数百万个多跳推理问题文档，在排行榜上取得了34.9的联合分数，而在最佳竞争对手中只有23.6分 1 Introduction 深度学习模式在机器
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值