开发者新闻 | 用 MK-SQuIT 和 NeMo 训练一个 Text2Sparql 模型

在多个垂直领域，问答 (QA) 是使用对话式 AI 交付业务价值的最快方式之一。非正式地说，QA 是将用户查询映射到给定上下文的答案的任务。这个开放式的定义最好通过下面的例子来理解:

Q: NVIDIA 的总部在哪里?

背景: NVIDIA 公司 (en-VID-ee-\u0259) 是一家美国跨国技术公司，总部设在 Santa Clara, California ，在特拉华州注册成立。它为游戏和专业市场设计图形处理单元 (GPU) ，以及为移动计算和汽车市场设计系统芯片单元 (SoC)。其主要的GPU产品线标记为 \”GeForce\” ，与 AMD 的 \”Radeon\” 产品直接竞争。NVIDIA 通过其手持 Shield Portable 、平板电脑 Shield、安卓电视 Shield 以及云游戏服务 GeForce Now 扩大了在游戏行业的影响力。

除了 GPU 制造，NVIDIA 还为研究人员和科学家提供并行处理能力，使他们能够高效地运行高性能应用程序。它们被部署在世界各地的超级计算机站点。最近，该公司进军移动计算市场，为智能手机和平板电脑以及汽车导航和娱乐系统生产 Tegra 移动处理器。除了 AMD，它的竞争对手还包括英特尔和高通。”

A： Santa Clara, California

这个例子很容易用深度学习 (DL) 模型来回答。DL 模型使用从 Wikipedia 摘录中提取的上下文来查找跨度对应的答案。有大量的开放数据集和模型来解决这个简单的任务，最常用的是斯坦福问答数据集 (SQuAD) 。通常，这被称为开放域QA。

NVIDIA NeMo 已经提供了一个将最先进的 QA 模型应用于此任务的很好的例子。但是，它确实假定您已经有了上下文。在以 DPR (密集通道检索)的形式收集给定问题的上下文这一“第一阶段”上，已经进行了大量的研发工作。但是，如果您没有一个看起来像训练这些开放域IR模型的训练材料的数据集 (即 Wikipedia )，那该怎么办?相反，如果你只是有一些你想要回答问题的事实集合呢?

在这篇文章中，我们将介绍另一种 QA 方法，即依靠知识图而不是上下文文本来回答问题。使用训练有素的神经机器翻译模型将问题转换为图形查询，我们可以有效地访问存储在知识图中的丰富特征。

原文链接:

https://developer.nvidia.com/blog/