ACLSep, 2021

RnG-KBQA: 基于生成增强的迭代排名用于知识库问答

PDF
TL;DRRnG-KBQA 是一种排名和生成相结合的知识库问答方法，使用对比排名和生成模型来解决一些已有 KBQA 方法中面临的泛化和覆盖问题。实验结果表明，我们的方法在 GrailQA 和 WebQSP 数据集上获得了最新的最高表现，在没有预先训练的情况下也能够一定程度上泛化。
kbqageneralizationrankinggenerationlogical forms
发现论文，激发创造
  • 图增强的学习排序用于查询大规模知识图谱

    提出了一种基于子图分区的图增强学习排序模型，该模型整合了子图匹配网络和增强双边多角度匹配模型，用于知识图谱问答中的答案选择。在多个基准数据集上的实验结果表明，该方法具有很好的效果。

    Nov, 2021

  • 基于知识库的知识增强、类型约束和语法引导的问题生成

    本研究旨在解决在知识图谱子图上生成自然语言问题时，信息量不足和语义漂移的问题，提出了一种名为 KTG 的知识增强的、类型约束和语法引导的 KBQG 模型，并设计了一种奖励函数来提高生成的丰富性和句法正确性，实验证明该模型在两个广泛使用的基准数据集 SimpleQuestion 和 PathQuestion 上优于现有方法。

    Oct, 2020

  • KG-Rank: 基于知识图谱和排序技术增强医学问答的大型语言模型

    本研究开发了一个增强的 LLM 框架 KG-Rank，利用医学知识图谱和排名技术，旨在改善医学领域中的自由文本问答。评估结果显示，KG-Rank 在 ROUGE-L 得分上取得了超过 18% 的改进，证明了 KG-Rank 的有效性和潜力。

    Mar, 2024

  • GNN-RAG：用于大规模语言模型推理的图神经网络检索

    本文介绍了 GNN-RAG，一种将 LLMs 的语言理解能力与 GNNs 的推理能力以检索增强生成（RAG）风格相结合的新方法。通过 GNN 在稠密的 KG 子图上推理，提取连接问题实体和答案候选的最短路径，将其转化为 LLM 推理的输入。实验证明，GNN-RAG 在 WebQSP 和 CWQ 这两个广泛使用的 KGQA 基准测试中取得了最先进的性能，在 7B 调整的 LLM 上胜过或与 GPT-4 性能相匹配。此外，GNN-RAG 在多跳和多实体问题上表现出色，其答案 F1 得分超过竞争方法 8.9-15.5%。

    May, 2024

  • ChatKBQA：一种基于生成 - 检索框架的知识库问答方法，利用已训练过的大型语言模型进行微调

    利用大型语言模型构建生成 - 检索知识库问答 (ChatKBQA) 框架，在知识检索和语义解析两个研究组件方面面临三个核心挑战，即低效的知识检索、检索错误对语义解析的不利影响以及以往 KBQA 方法的复杂性。该框架通过首先使用已经微调的大型语言模型生成逻辑形式，然后通过无监督的检索方法检索并替换实体和关系，从而更直接地改善了生成和检索。实验结果表明，ChatKBQA 在标准 KBQA 数据集 WebQSP 和 ComplexWebQuestions (CWQ) 上取得了最新的最佳性能。这项工作还为将大型语言模型与知识图谱 (KG) 相结合提供了新的范例，以实现可解释性和知识需求的问答。

    Oct, 2023

  • QA-GNN: 用语言模型和知识图谱进行问答推理

    该研究提出了一种新模型 QA-GNN，通过关联系统知识图和语言模型，实现对问题与答案之间的共同推理，并取得了在常识和生物医学领域 QA 测试中优于现有模型的表现。

    Apr, 2021

  • 知识图谱通用问答平台

    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

  • 知识库问答中的查询图重新排名方法

    本文提出了一种新的重排方法，以更好地选择知识图谱的子图查询图形，以检索知识库问答（KBQA）中的输入问题的答案。

    Apr, 2022

  • 一种基于学习后推理模型的知识库问答通用化方法

    KBLLaMA 研究知识库问答系统的学习 - 推理框架，向大型语言模型注入新的知识以提高其泛化能力，在各种问答任务中表现出最先进的性能。

    Jun, 2024

  • 基于知识增强的迭代式指令生成和推理应用于知识库问答

    KBIGER 是一种使用知识图谱进行动态指令生成和推理的方法，用于解决多跳知识库问答的问题，并能够检测和修正中间实体的错误预测。

    Sep, 2022