该论文提出了一种新模型 Graft-Net，应用于 Open Domain Question Answering 问题，该模型结合了文本和知识库并利用子图表示法以提高效率和准确度

Sep, 2018

CLOCQ 是一种基于 KB 感知信号的高效方法，通过 score-ordered KB 列表的前 k 个查询处理器，将语义匹配、与问题相关性、候选项间的协同性以及 KB 图的连接性信号相结合，剪枝掉搜索空间中的非相关部分，实验表明 CLOCQ 在复杂问题的 QA 基准测试中表现优于现有的基线。

Aug, 2021

该研究针对 Freebase 中的单关系事实问题回答，提出了一种两步骤流水线方法解决问题：实体链接和事实选择，结果表明该方法在 SimpleQA 任务上超过了现有技术水平。

Jun, 2016

本论文提出了一种 Entity-Focused Retrieval (EnFoRe) 模型，通过识别问题相关实体来检索更具特定性的知识。实验证明，我们的 EnFoRe 模型可以在当前最大的 OK-VQA 数据集上实现卓越的检索性能，并与最先进的 VQA 模型结合，实现了新的最先进表现。

Oct, 2022

提出了一种可在符号知识库中通过推理以完全可微的方式连接实体的实体消歧模型，该模型可以使用所有 KB 信息，超过六个著名实体消歧数据集中的现有模型，并在基于不常见和模糊实体的 ShadowLink 数据集中提高 12.7 F1。

Jul, 2022

FuzzQE 采用模糊逻辑定义逻辑运算符，利用模糊的查询嵌入框架回答在知识图上的存在量化查询，比现有技术提供更好的性能。

Aug, 2021

通过将问题回答问题的问题分解为实体检测，实体链接，关系预测和证据组合，我们使用一些启发式算法，探索了一些简单而强大的基线模型，其中基本的 LSTM 和 GRU 加上一些启发式算法得到的准确率接近最新技术水平。这些结果表明，文献中提出的复杂深度学习技术带来的收益相当有限，并且一些先前的模型表现出了不必要的复杂性。

Dec, 2017

本文提出了一种基于简单的自由文本检索而非依赖工具实现的实体链接的新框架 DecAF，旨在检索答案，解决了生成的逻辑形式可能出现的语法和语义错误的非执行问题，并获得了 WebQSP、FreebaseQA 和 GrailQA 数据集上的最新业绩。

Sep, 2022

ELQ 是一种快速的端到端实体链接模型，使用双编码器同时执行提及检测和链接，可用于提高下游问题回答系统的性能。

Oct, 2020

本文介绍了对知识图谱问题回答的端到端训练模型进行扩展，包括实体解析组件的训练，模型只需要问题文本和答案实体进行训练，在两个公共数据集上评估模型，结果接近使用手动注释实体的基线模型。

Sep, 2021