面向时间知识图谱问答的自我提升编程
提出一种新颖的生成式时间知识图问答框架(GenTKGQA),通过两个阶段引导 LLMs 回答时间性问题:子图检索和答案生成。在第一个阶段,利用 LLM 的内在知识来挖掘问题中的时间约束和结构链接,从而缩小子图搜索空间。在第二个阶段,设计虚拟知识指示器将子图的图神经网络信号与 LLM 的文本表示非浅层次地融合,帮助开源 LLM 深入理解检索到的事实中的时间顺序和结构依赖关系。实验结果表明,该模型优于最先进的基准方法,甚至对于简单问题类型的指标达到 100%。
Feb, 2024
本文提出了一种基于嵌入感知的方法,名为 'Temporal Question Reasoning' (TempoQR),用于回答复杂的基于时间的知识图谱问答。实验表明,TempoQR 在复杂的时间问题上比现有的先进方法提高了 25-45 个百分点,并且更好地泛化到看不见的问题类型。
Dec, 2021
本文从两个角度,即时间问题的分类和基于语义解析和知识图嵌入的方法论分类,对时间知识图问答(TKGQA)进行了全面概述,为该领域的发展提供了参考,并激发了进一步研究的动力。
Jun, 2024
本文提出了一种新的任务:在时间知识图谱上进行预测问答,同时还提出了一个大规模 TKGQA 基准数据集 ForecastTKGQuestions,用于评估 QA 模型。最终提出 ForecastTKGQA 模型来回答三种类型的问题,实验结果表明它的表现优于最新的 TKGQA 方法。
Aug, 2022
本文提出了一种对时间知识图进行问答的框架,包括一个时间戳估计模块和一个考虑时间顺序的知识图嵌入编码器,能够有效地解决问题中时间相关的挑战,并且在时间知识图问答基准上获得了显著的性能提升。
Mar, 2022
本文介绍了 CRONQUESTIONS—— 最大的已知的 Temporal KGQA 数据集,通过多次实验,提出了 CRONKGQA—— 一种基于转化器的解决方案,该方案利用了 Temporal KG 嵌入的最新进展,在准确性上超越所有基线方法,相比于下一个最佳表现方法提高了 120%。
Jun, 2021
通过建立一个新的名为 STComplEx 的 STKG 嵌入方法,从问题中提取时空信息,我们的 STCQA 模型可以更好地理解问题,并从 STKG 中检索准确答案。通过广泛的实验,我们展示了我们数据集的质量和我们 STKGQA 方法的有效性。
Feb, 2024
多跳问题回答(MQA)与知识编辑(KE)相结合的研究引起了广泛关注,然而现有的 MQA 模型在处理带有明确时间背景的问题时性能较差。为了解决这一限制,我们提出了一种新的框架,即 TEMPLE-MQA,通过构建时间感知图(TAG)来有效区分问题查询中的时间背景,并通过推理路径、结构检索和联合推理阶段来增强多跳问题回答。在基准数据集上的实验证明,TEMPLE-MQA 明显优于基准模型。此外,我们还贡献了一个新的数据集,即 TKEMQA,它专门针对具有时间范围的多跳问题回答领域。
Mar, 2024
给出了用于回答知识图谱上有关时间性问题的 Semantic Framework of Temporal Constraints 框架与基于实体的查询生成方法 SF-TQA,并针对不同知识库进行了评估实验。
Oct, 2022
本文提出了一种利用经典逻辑编程语言来装备大型语言模型(LLMs)的方法,以在知识图谱(KG)上回答自然语言问题,从而提供可解释性解决方案。作者使用 MetaQA 数据集证明了该方法的有效性。
Mar, 2023