本文提出 EFO-1-QA 数据集，包含 301 种不同的查询类型用于评估目前复杂查询回答 (CQA) 学习模型的组合泛化能力，并提供可能影响查询泛化能力的不同操作系统和形式的分析和评估。
Sep, 2021
本文提出了一种基于元强化学习的 CQA 程序归纳方法，以解决常规神经程序归纳的性能不稳定的问题，并在使用较少训练数据的情况下实现了最先进的性能。
Oct, 2020
我们提出了一种简单的复杂查询方法，通过将复杂查询表示为查询图并使用逻辑信息传递神经网络，将知识图谱嵌入分解为本地推理和全局推理，实现了对各种类型的查询的复杂推理和新的最先进的神经查询应答模型。
Jan, 2023
本文提出了一种利用元学习和弱监督自动学习检索模型的程序员 - 解释器方法，在复杂问题回答方面实现了最先进的性能。
为了回答知识图谱上的复杂查询，我们提出了一个综合框架，涵盖了存在性一阶查询的组合空间，并构建了一个 dataset 进行评估。我们的结果揭示了查询难度对结果的影响，并强调了现有数据集构建过程中的系统偏见对查询 - 回答方法的适当发展的重要性。
Jul, 2023
利用联邦学习在多源知识图谱上进行复杂查询回答任务，避免敏感原始数据传输以保护隐私。
Feb, 2024
本文研究基于事件中心知识图谱的深度神经网络复杂查询方法，提出了复杂事件查询回答（CEQA）框架，利用定理证明器填补实体中心查询系统无法推理的逻辑不确定性，实现了在具有时间维度的事件中心知识图谱上的准确推理。
May, 2023
本研究提出一种区别于以往只使用文章或维基百科等信息来源的社区问答方法，利用多种异构信息源（MIS）的相关信息进行答案生成，并在 $ ext {MSM}^{ext {plus}}$ 和 AntQA 等数据集上进行的反复实验表明本方法在各项指标上高于基线模型。
Dec, 2021
通过将训练分为两个阶段，分别在简单查询和复杂查询上进行训练，我们提出了一种名为 Q2T 的新方法，通过预测尾部实体来进行简单查询的预训练，并在复杂查询上训练查询编码器，将不同的复杂查询编码为统一的三元组形式，从而在不需要显式建模神经集合运算符的情况下，在三个公共基准测试上实现了最先进的性能。
Oct, 2023
本文针对知识库问答的弱监督问题，提出了一种基于操作预测的搜索方法，缩小了搜索空间，避免了冗余逻辑形式，减少了噪声，从而在 CSQA 数据集上将准确率和召回率分别提高了 5 个百分点。
Sep, 2019