NuTrea: 基于神经网络的上下文引导的多跳知识图谱问答
本文提出了一种基于无监督消息传递的复杂知识图谱问答方法，通过识别问题类型，并在图结构中传递置信度分数来进行答案实体的定位和聚合，其在LC-QuAD基准测试中表现优于现有方法，具有较高的实现效率和通用性。
Aug, 2019
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
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
本文提出了一种利用关系路径的混合语义来改善多跳知识图谱问答（KGQA）的方法，以较大程度的解决理解复杂问题的问题，通过实验证明该方法在多跳场景下的优越性。
Sep, 2022
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
本文提出了一种基于图神经网络的两步推理模型（GNN2R），可以在只有问题-最终答案对的弱监督下高效地提供最终答案和推理子图作为最终答案背后的理由，从而解决了知识图谱中基于多跳问题回答的解释生成问题。该模型在实验中表现出优于现有最先进方法的效果、效率和生成解释的质量。
Dec, 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
在知识图谱问答（KGQA）领域中，我们创建了一个新颖的KGQA数据集，支持常识推理并专注于长尾实体，这些实体是大语言模型容易产生错误信息的对象，因此需要借助知识图谱进行准确、可归因的常识推理。这个新数据集具有两个子任务：问题回答和声明验证。它对基于大语言模型的方法产生了显著的幻觉问题，为未来常识KGQA研究铺平了道路，以提供关于长尾实体的准确和可信的答案。
Mar, 2024
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