此代码用于WWW’24全文“忠实时间问题”中提出的FAITH方法对异构源的回答”。

请访问以下回购链接访问TIQ基准构建的代码。

信仰管道概述。该图说明了回答问题的过程_三（“录制时女王的唱片公司波西米亚狂想曲？”）和q₁（“1975年女王唱片公司？”）。回答q_三，两个中间问题q₃₁和q₃₂生成，并在整个时态QA系统中递归运行。

有关更多详细信息，请参阅我们的论文：基于异质源的可信时间问题解答并访问我们的项目网站：网址：https://faith.mpi-inf.mpg.de.

如果您使用此代码，请引用：

@文章{佳2024忠实,标题={基于异质源的可信时间问题解答},作者={贾、珍和克里斯特曼、菲利普和威库姆、格哈德},杂志={万维网},年={2024}

我们建议通过conda进行安装，并在中提供相应的环境文件环境.yml:

git克隆https://github.com/zhenjia2017/FAITH.git光盘信仰/conda env create--文件环境.yml康达激活信仰pip安装-e.

或者，您也可以使用要求.txt文件。

FAITH利用CLOCQ公司用于从WIKIDATA检索事实。CLOCQ可以通过公开可用的API，使用来自的客户端回购.

FAITH利用SUTIME公司用于在问题中注释明确的日期。您可以安装蟒蛇缝合术通过以下命令。

pip安装sutimemvn依赖项：copy-dependencies-DoutputDirectory=/罐子-f$(python3-c'从importlib导入util；导入路径库；print（pathlib.Path（util.find_spec（“sutime”）.origin）parent/“pom.xml”）')

然后可以运行脚本以启动SUTIME公司作为后端服务。

bash脚本/start_sutime_server.sh

您需要以下数据：

• 维基百科全书_wikidata_mappings.pickle
• 维基百科全书_地图.pickle
• wikidata_mapings.pickle（维基数据映射）
• 类型.泡菜
• 停止字.txt
• 标签.刺绣
• 增强的维基数据映射包

我们提供经过训练的模型和数据以重现结果。您可以从下载在这里（解压缩并将其放在“_data”文件夹中；总数据大小约为20 GB）。数据文件夹结构如下：

_数据├──tiq（或时间问题）├── 中间_问题├── tsf注释├── iques_型号.bin├── tsf模型bin├── 信仰├──sbert模型.bin├──序列2seq_ha└──解释├── gnn-回答-ignn-100-05-05.bin└── gnn-修剪-ignn-100-00-10.bin├── 解开（解开）├──sbert模型.bin└──解释├── gnn-answering-ignn-100-05-05.bin└── gnn-修剪-ignn-100-00-10.bin├── 维基百科全书_wikidata_mappings.pickle├── 维基百科全书_地图.pickle├── wikidata_mapings.pickle（维基数据映射）├── 类型.泡菜├── 停止字.txt├── 标签.pickle└── 增强的维基数据映射包

• tiq/interadiate_question：从GPT生成中间问题，作为训练数据集，用于在tiq基准上微调BART模型
• tiq/tsf_annotation:tsf训练数据通过远程监控生成，用于在tiq基准上微调BART模型
• tiq/iques_model.bin：用于生成TQU阶段中间问题的微调BART模型
• tiq/tsf_model.bin：用于在TQU阶段生成tsf的微调BART模型
• tiq/fails/sbert_model.bin：FER阶段评分证据的微调BERT模型
• tiq/fails/seq2seq_ha：ha阶段异质应答的微调BART模型
• tiq/tifies/explaignn/gnn-pruning-ignn-100-00-10.bin：HA阶段的图约简模型
• tiq/fith/explaignn/gnn-answering-ignn-100-05-05.bin：HA阶段的答案推理模型
• tiq/unfaith/sbert_model.bin：用于在FER阶段为unfaith设置评分证据的微调BERT模型
• tiq/unfith/explaignn/gnn-pruning-ignn-100-00-10.bin：unfaith设置HA阶段的图形简化模型
• tiq/unfith/explaignn/gnn-answering-ignn-100-05-05.bin：unfaith设置HA阶段的答案推理模型

请运行以下脚本以重现FAITH的主要结果（WWW 2024论文中的表3）：

bash脚本/pipeline.sh—求值<路径_配置>

例如，

bash脚本/pipeline.sh—评估config/evaluate.yml

如果您想复制UNFAITH的结果，请设置信仰或不信仰作为解开（解开）在配置文件中。

信仰有三个阶段：T型临时的问疑问U型理解(TQU公司),F类等待E类证据R（右）检索（etrieval）(FER公司)、和E类可解释的H（H）外生的A类回答(环境影响评价).

在TQU阶段，有两种Seq2seq模型用于：

• （i） 生成TSF
• （ii）产生中间问题

我们已经分别为TIQ和TimeQuestions基准提供了带注释的TSF和中间问题作为训练数据。如果您想为其他数据集生成带注释的TSF，请按照中的说明进行操作：

信念/距离_监督/README.md

要通过GPT生成作为培训数据的中间问题，请遵循中的说明：

faith/temoral_qu/implicit_resolver/seq2seq_iques/data_creation/README.md“

在FER阶段，我们应用基于BERT重新分类以训练分类器并对证据进行评分，作为回答的输入。

在EHA阶段，有两种GNN模型用于：

• （i） 图形简化
• （ii）答案推理

我们在答案推理阶段应用了两个GNN模型：

• （i） 图形缩减：随着证据数量的减少，图形的大小也会减小。证据数量从100个减少到20个。
• （ii）答案推理：在20个证据中，我们进行答案推理并输出5个证据。

bash脚本/pipeline.sh—训练_<阶段名称> <路径_配置>

例如，训练答案推理模型。

bash脚本/pipeline.sh--train_ha配置/train_ha_answer_inference.yml

注意，您需要两个配置文件来分别训练这两个GNN模型。