利用大型语言模型构建生成 - 检索知识库问答 (ChatKBQA) 框架，在知识检索和语义解析两个研究组件方面面临三个核心挑战，即低效的知识检索、检索错误对语义解析的不利影响以及以往 KBQA 方法的复杂性。该框架通过首先使用已经微调的大型语言模型生成逻辑形式，然后通过无监督的检索方法检索并替换实体和关系，从而更直接地改善了生成和检索。实验结果表明，ChatKBQA 在标准 KBQA 数据集 WebQSP 和 ComplexWebQuestions (CWQ) 上取得了最新的最佳性能。这项工作还为将大型语言模型与知识图谱 (KG) 相结合提供了新的范例，以实现可解释性和知识需求的问答。

Oct, 2023

FlexKBQA 是一种利用大型语言模型解决少样本知识库问答任务的方法，通过自动化算法从知识库中生成多样的程序，利用语言模型将其转化为自然语言问题。该方法还引入了执行引导自训练的策略来缓解合成数据和真实用户问题之间的分布差异，并利用大型语言模型的推理能力来增强整个框架。在 GrailQA、WebQSP 和 KQA Pro 上的实验证明，FlexKBQA 在少样本甚至零样本情景下，只需少量注释即可达到令人印象深刻的结果，超过了所有之前的基准，并且接近于监督模型的性能，相对于完全监督模型性能达到 93%。我们认为 FlexKBQA 在大型和轻量级模型的更好集成方面代表了重要进展。

Aug, 2023

该研究提出了一种基于 LLMs 的 McL-KBQA 框架，通过基于 ICL 的多选项将 LLMs 的 Few-shot 能力纳入 KBQA 方法，从而提高了 QA 任务的有效性和泛化性能。在两个 KBQA 数据集上的实验结果表明，McL-KBQA 具有竞争性的性能和强大的泛化性能。研究者期望从 LLMs 的角度探索 QA 任务的新方法，并获得规范和正确的答案和强大的泛化性。

May, 2023

本文介绍了复杂问答（QA）的最新进展，分别从基于信息检索和神经语义解析两个方向出发，提出了未来研究的方向，并介绍了阿里巴巴团队提出的模型。

Jul, 2020

KBLLaMA 研究知识库问答系统的学习 - 推理框架，向大型语言模型注入新的知识以提高其泛化能力，在各种问答任务中表现出最先进的性能。

Jun, 2024

本综述探讨了基于知识库的问题回答（KBQA）的两个独特挑战，并综述了现有 KBQA 方法的解决方法，其中建议通过深度学习领域的语义分析研究成果，解决当前 KBQA 研究遇到的瓶颈，特别是在预训练语言模型的时代。

Sep, 2022

基于大型语言模型 (LLM) 和 BERT 的知识库问答系统 (LB-KBQA) 利用生成式人工智能技术能够检测新出现的意图并获取新知识，在金融领域问题回答实验中展示出卓越的有效性。

Feb, 2024

本论文总结了解决复杂知识库问答任务所面临的挑战及其解决方案，介绍了语义解析方法和信息检索方法两种主流方法，并从两种方法的角度全面地回顾了高级方法及其解决方案，最后总结并讨论了未来研究的一些有前途的方向。

May, 2021

本研究研究了一种交互式语义解析框架，它可以通过自然语言一步一步地解释预测的逻辑形式，并允许用户通过自然语言反馈进行更正，主要关注问答和知识库的关系，构建了 INSPIRED 数据集，并进行了实验，有望大大提高总体解析精度。

Oct, 2021

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