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

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

提出了一种有效的自然结构查询模式方法，该方法可实现基于知识图谱的自然语言问答并在三个问答基准测试中显著优于现有方法。

Oct, 2019

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

本研究中，我们提出使用门控图神经网络来编码语义解析的图形结构，以解决学习复杂语义解析向量表示的问题。该方法在两个数据集上均优于不显式建模结构的基线模型，并通过误差分析成功处理复杂语义解析。

Aug, 2018

本文提出了一种骨架语法来表达复杂问题的高级结构，并结合基于 BERT 的解析算法，采用多策略方法，包括句子级和单词级语义，来提高细粒度语义解析的准确性。实验结果表明，该方法在多个数据集上有良好表现。

Mar, 2020

提出了一种利用文本的语义结构来回答多项选择题的新方法，将 QA 转化为一种满足某些全局和局部特性的最优子图的搜索问题，在科学 QA 数据集上表现良好。

Jun, 2019

本文提出了一种使用语言模型结合知识进行基于知识的问答的方法，其中包括知识构建方法和深度融合机制，可以优雅地提取结构数据和提高模型性能。

Sep, 2022

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