面向文本丰富图知识库的结构-文本检索混合模型
计算机视觉与模式识别
2025-02-28 v1 人工智能
机器人学
摘要
文本丰富图知识库（TG-KBs）日益重要，用于通过提供文本和结构知识来回答查询。然而，当前检索方法常常在孤立的情况下检索这两种知识类型，而某些混合方法甚至在邻域聚合后完全绕过结构检索。为填补这一空白，我们提出一种结构-文本检索混合模型（MoR），通过规划-推理-组织框架检索这两种知识。在规划阶段，MoR 生成文本规划图，描绘回答查询的逻辑。遵循规划图，在推理阶段，MoR 交织结构遍历和文本匹配，以从 TG-KBs 中获取候选项。在组织阶段，MoR 进一步根据其结构轨迹对获取的候选项进行重新排序。广泛实验表明，MoR 在融合结构和文本检索方面具有优势，包括不同查询逻辑下的不均衡检索性能以及整合结构轨迹以进行候选项目重新排序的优势。我们的代码可在 https://github.com/Yoega/MoR 提供。
引用
@article{arxiv.2502.20316,
title = {Multi-Scale Neighborhood Occupancy Masked Autoencoder for Self-Supervised Learning in LiDAR Point Clouds},
author = {Mohamed Abdelsamad and Michael Ulrich and Claudius Gläser and Abhinav Valada},
journal= {arXiv preprint arXiv:2502.20316},
year = {2025}
}