Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/13687
Files in This Item:
File Description SizeFormat 
joraogomesjunior.pdf2.73 MBAdobe PDFThumbnail
View/Open
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Souza, Jairo Francisco de-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/4516605108233899pt_BR
dc.contributor.advisor-co1Menezes, Victor Ströele de Andrade-
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/7561791813071961pt_BR
dc.contributor.referee1Bernardino, Heder Soares-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/7733681743453751pt_BR
dc.contributor.referee2Ferreira, Anderson Almeida-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/7884364909927473pt_BR
dc.creatorGomes Junior, Jorão-
dc.creator.Latteshttp://lattes.cnpq.br/4648512356800217pt_BR
dc.date.accessioned2022-01-24T14:33:53Z-
dc.date.available2022-01-03-
dc.date.available2022-01-24T14:33:53Z-
dc.date.issued2021-10-18-
dc.identifier.doihttps://doi.org/10.34019/ufjf/di/2021/00325-
dc.identifier.urihttps://repositorio.ufjf.br/jspui/handle/ufjf/13687-
dc.description.abstractQuestion Answering (QA) systems retrieve the most relevant answer to a natural language question. Knowledge Base Question Answering (KBQA) systems explore entities and relations from Knowledge Bases (KB) to generate answers. KBQA systems need to deal with questions that can be divided into two groups: simple and complex questions. Simple questions are those that contain direct answers that need to be detected to answer a question. Complex questions need more information than the explicit features that can be extracted from simple questions. It is necessary to use advanced query operations to collect the answer from the KB, such as exploiting indirect relations among entities, multi-relations, qualitative and quantitative constraints, and others. Currently, KBQA systems achieve better results when answering simple questions, and Complex Knowledge Base Question Answering (C-KBQA) systems turned the goal to the recent research. However, there is a lack of studies that address complex questions in the KBQA field. This work aims to fill this gap by presenting a study on C-KBQA systems. The contribution of this master thesis is twofold: a systematic mapping of the C-KBQA literature and a novel template matching approach for C-KBQA systems. First, the systematic mapping showed that C-KBQA systems need to handle with two question types: multi-hop and constraint questions. Also, it was possible to identify three main steps to construct a C-KBQA system and the use of two main approaches in this process. Secondly, our proposed C-KBQA approach performs a template matching using the combination of Semantic Parsing and Neural Networks techniques to predict the appropriate answer template to a natural language question. The so-called Hereditary Attention was created to assist the Tree-LSTM, and we demonstrate the effectiveness of our solution by comparing it to the state-of-the-art in the LC-QuAD dataset. The results show that our approach outperforms the state-of-the-art systems.pt_BR
dc.description.resumoOs sistemas de perguntas e respostas (QA) recuperam a resposta mais relevante para uma pergunta de linguagem natural. Os sistemas de perguntas e respostas sobre Bases de Conhecimento (KBQA) exploram entidades e relações das Bases de Conhecimento (KB) para gerar respostas. Os sistemas KBQA precisam lidar com perguntas que podem ser divididas em dois grupos: perguntas simples e complexas. Perguntas simples são aquelas que contêm respostas diretas que precisam ser detectadas para responder a um pergunta. As perguntas complexas precisam de mais informações do que as explícitas que podem ser extraídas de perguntas simples. É necessário utilizar operações de consulta avançada para coletar a resposta das KB, como exploração de relações indiretas entre entidades, multirelações, restrições qualitativas e quantitativas, entre outras. Atualmente, os sistemas KBQA alcançam melhores resultados ao responder a perguntas simples, e os sistemas de perguntas e respostas complexas sobre Bases de Conhecimento (C-KBQA) tornaram-se o objetivo para a pesquisa recente. No entanto, faltam estudos que abordem questões complexas na área de KBQA. Este trabalho visa preencher essa lacuna, apresentando um estudo sobre sistemas C-KBQA. A contribuição desta dissertação de mestrado é dividida em dois grupos: um mapeamento sistemático da literatura C-KBQA e uma nova abordagem de correspondência de modelos para sistemas C-KBQA. Primeiro, o mapeamento sistemático mostrou que os sistemas C-KBQA precisam lidar com dois tipos de perguntas: múltiplos saltos e perguntas com restrições. Além disso, foi possível identificar três etapas principais para a construção de um sistema C-KBQA e a utilização de duas abordagens principais neste processo. Em segundo lugar, a abordagem de CKBQA proposta realiza um casamento entre modelos usando a combinação de análises semânticas e técnicas de redes neurais para prever o modelo de resposta apropriado para uma questão de linguagem natural. A chamada Atenção Hereditária foi criada para auxiliar a Tree-LSTM, e demonstramos a eficácia de nossa solução comparando-a com o estado da arte do conjunto de dados LC-QuAD. Os resultados mostram que nossa abordagem supera os sistemas de última geração.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Juiz de Fora (UFJF)pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentICE – Instituto de Ciências Exataspt_BR
dc.publisher.programPrograma de Pós-graduação em Ciência da Computaçãopt_BR
dc.publisher.initialsUFJFpt_BR
dc.rightsAcesso Abertopt_BR
dc.rightsAttribution-ShareAlike 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-sa/3.0/br/*
dc.subjectPerguntas e respostaspt_BR
dc.subjectPergunta complexapt_BR
dc.subjectBases de conhecimentopt_BR
dc.subjectAnálise semânticapt_BR
dc.subjectRedes neuraispt_BR
dc.subjectQuestion answeringpt_BR
dc.subjectComplex questionpt_BR
dc.subjectKnowledge basept_BR
dc.subjectSemantic parsingpt_BR
dc.subjectNeural networkspt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.titleA hereditary attentive template-based approach for complex knowledge base question answering systemspt_BR
dc.typeDissertaçãopt_BR
Appears in Collections:Mestrado em Ciência da Computação (Dissertações)



This item is licensed under a Creative Commons License Creative Commons