GrapeQA：增广和修剪图形以加强问答

Mar, 2023

GrapeQA：增广和修剪图形以加强问答

GrapeQA: GRaph Augmentation and Pruning to Enhance Question-Answering

Dhaval Taunk, Lakshya Khanna, Pavan Kandru, Vasudeva Varma, Charu Sharma...

TL;DRGrapeQA 是一种基于语言模型的 Commonsense QA 方法，采用知识图谱以及图神经网络进行推理，提出了 Prominent Entities for Graph Augmentation 和 Context-Aware Node Pruning 两个简单的改进方法来解决捕捉 QA 信息和去除无关节点的问题，并在 OpenBookQA、CommonsenseQA 和 MedQA-USMLE 上展示出比 QA-GNN 更出色的结果。

Abstract

commonsense question-answering (QA) methods combine the power of pre-trained language models (LM) with the reasoning provided by knowledge graphs

commonsense question-answering language models knowledge graphs graph neural networks working graph

发现论文，激发创造

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

Grape: 基于知识图谱的阅读器，用于开放域问答

针对开放领域问答模型的检索 - 阅读器管道方法容易出现阅读器性能较差的问题，本研究提出了一种基于知识图谱的阅读器，即 Grape，并通过构建本地二分图，采用图神经网络来学习关系知识，并将图和上下文表示融合到阅读器模型的隐藏状态中，实验表明这种方法的性能可以比已有的方法提高 2.2 个精确匹配分数。

Oct, 2022

FusionMind -- 提升问题与回答的外部上下文融合

利用预训练语言模型（LMs）和知识图谱（KGs）解答问题存在识别相关知识和进行联合推理的挑战。通过与先前发表的 QAGNN 方法进行比较，我们发现将相关的知识事实纳入问题上下文有助于提高问题回答性能，而将知识图谱融入语言模型中则只能带来少量增长，这表明将上下文知识事实结合起来可能对增强问题回答性能更具影响力。

Dec, 2023

利用知识库和文本的早期融合进行开放领域问答

该论文提出了一种新模型 Graft-Net，应用于 Open Domain Question Answering 问题，该模型结合了文本和知识库并利用子图表示法以提高效率和准确度

Sep, 2018

灵活结构化的知识驱动问答

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

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

将上下文融入知识图谱以用于常识问答

本文提出一种通过利用外部实体描述来为知识理解提供上下文信息的方法，将其作为预训练语言模型的附加输入，以解决知识图谱融合到语言建模中的问题，并获得了常识 QA 数据集中最先进的结果和 OpenBookQA 中非生成模型中最好的结果。

Dec, 2020

知识图谱问答的变分推断

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

PipeNet：基于语义修剪的知识图谱问答

通过引入显式的知识图谱可以改善问答系统，本研究提出了一种基于实体节点定位、剪枝和推理的流程以提高图推理的效率，并采用图注意力网络进行子图数据的推理。在 CommonsenseQA 和 OpenBookQA 上的实验结果证明了方法的有效性。

Jan, 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