本研究主要关注于如何从自然语言问题中构建查询图谱，提出了一种基于语义结构的 BERT 模型进行分析和预测，通过过滤噪声查询图，提高了问题解答的准确性。实验结果表明该方法比现有技术有更好的效果。

Apr, 2022

本研究提出一种针对知识图谱（如 DBpedia）自动生成知识问题的方法，通过使用端到端的方法，包括实体选择、三元组查询、答案选择和自然语言问句生成，并使用历史数据和训练分类器来估计问题难度。最后的实验证明了这种方法的可行性。

Oct, 2016

本文提出了一种基于图同构的 QA 方法 ——TeBaQA，其通过学习 SPARQL 查询的基本图模式来回答问题，从而在减少训练数据量的同时实现了与最先进技术相同的性能，在 QALD 和 LC-QuAD v1 数据集上都具有极高的性能。

Mar, 2021

本文介绍了使用自然语言处理技术的语义解析器，将用户的自然语言问题转化为有形式定义的查询语句，通过大规模知识图谱实现。作者提供了一个数据集，其中，用户问题采用 Sparql 语言解析，并对执行结果对系统回答进行注释。通过两种不同的语义解析方法，我们提出了挑战：如何处理大规模词汇，如何建模对话语境，如何处理多实体查询语句，并实现对新问题进行泛化。作者希望我们的数据集能够为开发会话式语义解析器提供有效的测试平台。本文的数据集和模型已经发布，详情请见链接。

Jan, 2023

我们提出了一种用于回答基于结构化对象的时序问题的新方法，可以编码表格为图，使用指针网络从编码图中选择答案。我们展示了该方法在 SQA 任务上具有竞争性的结果。

Aug, 2019

本文概述了基于神经网络的问题回答系统在知识图谱上的最近进展，提供了一个适合新手入门的切入点，并讨论了该领域的新趋势。

Jul, 2019

本文提出了 KGQAn，一个通用的 QA 系统，它不需要为每个目标 KG 进行定制，而是采用一种新颖的形式化方法将问题理解为一个文本生成问题，并通过神经序列到序列模型将问题转换为中间抽象表示。我们还开发了一个即时链接器，在查询时间使用 RDF 存储的公共可访问 API 和现有索引将抽象表示映射到特定 KG 的 SPARQL 查询，而无需任何预处理。我们在几个真实的 KG 上进行的实验表明，KGQAn 易于部署，对于任意的 KG 表现良好，优于现有的 QA 系统。

Mar, 2023

本论文研究了使用神经机器翻译范式进行问题解析的应用，采用序列到序列模型来学习 SPARQL 图查询语言及其组合中的图形模式。通过模板构建问题和查询之间的对齐情况，探讨半监督学习方法代替问题 - 答案对诱导程序，并且借助自然语言生成的新进展扩展语言表达的覆盖范围。

Jun, 2018

本文提出一种新的正式查询构建方法，它包括两个阶段：第一阶段预测问题的查询结构并利用结构约束候选查询的生成；第二阶段按照以前的方法对候选查询进行排名。实验结果表明，我们的正式查询构建方法在复杂问题上表现优异，同时在简单问题上保持一定的竞争力。

Sep, 2021

该研究提出了一种基于语义分析的新方法，以提高知识库问答（KBQA）的性能。该方法侧重于如何从候选集中选择最佳查询图，以从知识库（KB）中检索答案，实验结果证明，该系统在复杂问题上取得了最佳表现，并在 WebQuestions 上取得了第二佳表现。

Apr, 2022