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

本研究提出了一种基于自动提示的方法来处理低资源情况下的知识问答生成（KBQG），通过从 SPARQL 中直接生成问题并使用基于自然语言生成模型的自动提示器实现 SPARQL 和自然语言描述之间的转化，从而在 WebQuestionsSP、ComlexWebQuestions1.1 和 PathQuestions 等数据集上取得了最新的性能

Aug, 2022

本文研究如何从自然语言问题中生成 SPARQL 查询，并且使用预训练语言模型进行了实验，发现 T5 模型能够在此任务上取得卓越性能，并且还能够使用新的语义解析范例

Apr, 2022

本研究提出一种针对知识图谱（如 DBpedia）自动生成知识问题的方法，通过使用端到端的方法，包括实体选择、三元组查询、答案选择和自然语言问句生成，并使用历史数据和训练分类器来估计问题难度。最后的实验证明了这种方法的可行性。

Oct, 2016

本篇论文采用八种不同的神经机器翻译模型，探讨将自然语言问题翻译成结构化查询语言 SPARQL 的方法，结果表明基于 CNN 的架构效果最佳， BLEU 分数高达 98，准确率高达 94%。

Jun, 2019

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

使用基于 OpenAI 的 GPT-3.5 模型的零样本提示方法，从文本中提取超关系知识。与基准线进行比较，取得了有希望的结果，召回率为 0.77。尽管精确性目前较低，模型输出的详细分析揭示了未来研究领域的潜在路径。

Mar, 2024

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

本文提出了一种称之为 Neural SPARQL Machines 的神经网络模型，该模型通过 seq2seq 训练模式将自然语言翻译成 SPARQL 查询，从而提高 Linked Data Cloud 上的问题搜寻效率。

Aug, 2017

本文研究了将知识图谱转化为自然语言文本的任务，主要讨论了广泛的开放领域大规模语言生成的挑战，将知识图谱转化为自然语言文本，从而提高了语言模型的事实准确性和减少了毒性。通过对开放领域 QA 和 LAMA 知识探测的任务进行评估，表明该方法在文本检索方面有很大的优势。

Oct, 2020