本文提出了一个任务，即 Complex Sequential QA，它结合了回答简单事实性问题和通过一系列有逻辑的问答匹配进行会话来进行复杂推理，本文也介绍了关于这个任务所需数据集，以及目前现有的模型在处理实际场景中还存在的不足。

Jan, 2018

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

CONVEX是一种无监督方法，可以通过维护对话上下文使用到目前为止看到的实体和谓词并自动推断缺失或模棱两可的问题部分，回答知识图上的不完整问题。

Oct, 2019

本文提出一种基于Transformer和Graph Attention Networks的语义解析多任务模型LASAGNE，并针对复杂对话式问答任务进行了实验，取得了较高的准确率。

Apr, 2021

使用神经语义分析方法解决大型知识图库上的弱监督会话问答问题，引入了一种新的逻辑形式语法并使用基于transformer的模型将JSON输入转换为嵌入列表，最后在两个基于Wikidata的数据集上验证了该方法。

Sep, 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

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

评估了没有在此任务上进行明确预训练的大型语言模型的性能，并通过一系列实验在广泛的基准数据集上比较了具有不同提示技术和不同大小的模型，并确定了生成输出中的常见问题类型。结果表明，大型语言模型能够从对话中生成图查询，并通过少样本提示和微调技术实现显著提升，特别是对于展现较低零样本性能的较小模型。

Jan, 2024

该研究论文介绍了一种名为“graph-to-segment”的新方法，用于基于知识图谱的问题回答，专注于理解问题陈述，并通过采用基于规则和神经网络技术的语义解析，通过生成任务和图神经网络处理知识图谱的上下文，提供对问题进行语义解析和回答的高效准确性和卓越性能。

Dec, 2023

我们提出了一种在对话中理解问题并从不同来源（如文本、知识图谱、表格和信息框）中进行推理的说话式问答任务，我们的方法利用了图结构化表示，通过最小化交叉熵直接将图嵌入到大型语言模型中，同时利用了大型语言模型的推理和文本生成能力。我们的模型通过维护一个存储模块来追踪和更新过去的证据，从而影响图的结构，并在ConvMix基准测试中取得了实验结果，证明了图嵌入增强了大型语言模型的推理能力，而存储模块则提供了对噪声和检索错误的鲁棒性。

Jun, 2024