鉴于知识图谱，以多跳问题为基础评估语言模型在知识图谱中的问答能力，展示了基于信息检索和语义解析的方法能够具有竞争力的性能。

Apr, 2024

UniKGQA 是一种新的多跳知识图谱问答方法，通过统一检索和推理模型架构和参数学习，基于预训练语言模型的语义匹配模块和匹配信息传播模块进行问题与关系的语义匹配，采用共同的预训练任务和检索以及推理定向的微调策略。

Dec, 2022

本研究使用 Transformer 模型代替传统知识图谱嵌入模型 (KGE) 的原子嵌入表示，将 KG link prediction 问题转化为序列到序列任务以及使用自回归解码。相比于传统 KGE 模型，这种简单而强大的方法在保持推理时间可控的同时，将模型大小减少了多达 98％，在不进行过多超参数调整的情况下，在多个大型数据集上的表现优于基线。

Mar, 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

开发了一个基于领域知识图谱和语义推理的癌症特定生物标志物发现和交互式问答系统，使用生物医学数据、领域本体论、信息提取方法以及大型语言模型进行知识图谱的构建和更新。

Oct, 2023

我们提出了一种新颖的问题校准和多跳建模（QC-MHM）方法，通过融合知识图谱中的问题和时间约束概念来校准问题表示，并借助图神经网络层完成多跳消息传递，最终将问题表示与图神经网络的嵌入输出相结合以生成最终预测。实证结果验证了所提模型在基准数据集上优于现有模型的性能，尤其是在 CronQuestions 数据集的复杂问题上，QC-MHM 的 Hits@1 和 Hits@10 结果较最佳基准模型分别提高了 5.1% 和 1.2%，此外，QC-MHM 能够生成可解释且可信的预测。

Feb, 2024

本研究探讨在生物医学领域的知识图谱中，如何通过引入逻辑规则来增强知识图谱嵌入表示，提高关系建模的效果。具体地，采用关系推理网络（R2N）作为知识图谱嵌入技术的补充，在 PharmKG 数据集上进行对比实验，并进行消融分析。结果表明，该方法显著优于现有技术，并能根据不同的选择标准和规则数量产生不同效果。

Mar, 2023

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

本研究旨在探讨基于知识图谱的嵌入算法在生物医学领域的应用和性能，发现在 BioKG 等生物医学知识图谱上运用知识图谱嵌入模型可以提高准确性，并有望在实际的病理学研究和药物配伍等方面得到应用。

May, 2023

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