本文研究在知识库问答（KBQA）中，为了增强模型的泛化能力，建议模型应具有三个内置泛化层面：i.i.d、组合和零样本，并提出一种新颖的基于 BERT 的 KBQA 模型，此外构建和发布一个高质量的数据集 GrailQA，为三个泛化层面提供评估设置。实验证明，预训练的上下文嵌入（如 BERT）在 KBQA 的泛化中起着重要的作用。

Nov, 2020

该研究调查并分析了过去十年中 100 个出版物和 98 个系统的广泛评估结果， 为知识图谱问答领域提供了一个新的开放的排行榜，强调了 KGQA 系统评估中的问题，并指出可能会对未来评估有所改进。

Jan, 2022

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

提出了一种基于 2 阶段架构的 KBQA 框架，该架构明确地将语义解析与知识库交互分离，从而促进数据集和知识图之间的迁移学习，证明了在具有不同基础知识库的数据集上进行预训练可以显著提高性能并降低样本复杂度。

Nov, 2021

本篇论文探讨了知识图谱的构建与查询，结合深度学习、信息检索和自然语言处理等学科展开研究，提出了一些新的挑战和机会。

May, 2023

通过创建 IQN-KGQA 测试集，从五个角度对自然度的问题进行了评估并对其进行了改写，以改进自然语言处理中 KGQA 模型的性能并解决构建大规模 KGQA 数据集的挑战。

May, 2022

本文介绍了一种基于知识图谱的问答系统，采取了一种新型的深度学习架构和端到端变分学习算法，可以同时处理问题中的噪声和多跳推理，在最新的基准数据集中取得了最优表现。

Sep, 2017

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

知识图谱是不完全的，因为世界知识不完整且受到输入的偏见影响。本文概述了几种方法，这些方法被提出来以在这种环境下回答查询。首先，我们提供了各种查询类型的概述，这些方法可以支持这些查询类型，并介绍了用于评估的数据集以及它们的局限性。然后，我们概述了不同的方法，并描述了它们的表达能力、支持的图类型和推理能力。

Aug, 2023

这篇论文介绍了一种使用知识库作为表格问答的外部知识源，并构建了一个带有精细化知识注释的数据集 KET-QA。通过设计检索 - 推理结构化流水线模型，实验结果表明，该模型在三个不同场景（微调、零样本和少样本）中相对性能提升范围为 1.9 至 6.5 倍，绝对性能提升范围为 11.66% 至 44.64%。然而，即使是最好的模型也只达到了 60.23% 的 EM 得分，仍然落后于人类水平，突显了 KET-QA 对问答研究领域的挑战性。

May, 2024