- 一种基于学习后推理模型的知识库问答通用化方法
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。
- 时态知识图谱问答：综述
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。
- 基於大型語言模型的無人系統知識庫問答的上下文學習
基于知识库的问答（KBQA）旨在根据知识库来回答事实性问题。本研究针对无人系统中的知识图推理问答的 CCKS2023 竞赛，在 ChatGPT 和 GPT-3 等大型语言模型在许多问答任务中取得的最近成功的启发下，提出了基于 ChatGPT - 知识库问答的上下文模式理解方法
通过 In-Context Schema Understanding（ICSU）方法，利用大型语言模型（LLMs）作为知识库问题回答（KBQA）任务的语义解析器，借助上下文学习机制生成 SPARQL 查询，并通过四种检索策略来提高语言模型的 - ChatKBQA：一种基于生成 - 检索框架的知识库问答方法，利用已训练过的大型语言模型进行微调
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 - 缩小知识库与文本的差距：利用结构化知识感知的预训练方法用于知识库问答
知识库问答 (KBQA) 旨在使用实体和知识库中的关系等事实性信息回答自然语言问题。为了弥合文本和结构化知识库之间的差距，我们提出了一种结构化知识感知的预训练方法 (SKP)。在下游的 KBQA 任务中，我们设计了一种高效的线性化策略和一个 - FlexKBQA: 一个灵活的 LLM 驱动框架用于少样本知识库问答
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 - ADMUS：适用于多个知识源的渐进式问答框架
ADMUS 是一个基于深度学习模型的知识库问答系统，通过使用语义解析来处理复杂问题，并且在多语言、多种知识库和不同问答数据集方面具备较高的适应性和可扩展性。
- VisKoP：面向交互知识库问答的视觉知识导向编程
我们介绍了 VisKoP，一个以可视化知识为导向的编程平台，它集成了人类的编辑和调试能力来解决知识库查询问题。VisKoP 不仅提供了神经程序归纳模块，将自然语言问题转化为面向知识的编程语言 (KoPL)，还将 KoPL 程序映射成图形元素 - AAAI知识库复杂问题解答的问题分解树
本文提出了问题分解树（QDT）来表示复杂问题的结构，同时设计了一个名为 Clue-Decipher 的两阶段方法生成 QDT。针对知识库问答，我们设计了一个分解型问答系统 QDTQA。实验证明，QDTQA 在 ComplexWebQuest - ACL知识库问答中应更加关注关系探索
本文提出了一种新的 RE-KBQA 框架，利用知识库中的关系来增强实体表示并引入额外的监督方法以提高知识库问答的效果，通过实验证明此框架的优越性，从而提高 F1 分数。
- 不生成，而是识别：一个在真实世界环境中基于语言模型的建议
Pangu 是一个通用的基于神经网络的 grounded language understanding 框架，它采用了 LM 的较强区分能力作为建模依据，并且在基于 KBQA 的案例中展示了卓越的性能，同时使得大型 LM 包括 Codex - ACLCrake: 用于大规模知识库问答的因果增强填表工具
本研究提出一种基于图结构生成和关系抽取的语义解析模型，其中使用因果关系增强表填充器和高效的波束搜索算法解决了之前模型中出现的序列生成模糊和暴露偏见问题，并在大规模知识库上具有显著的优势。
- 知识库问答中更好的查询图选择
该研究提出了一种基于语义分析的新方法，以提高知识库问答（KBQA）的性能。该方法侧重于如何从候选集中选择最佳查询图，以从知识库（KB）中检索答案，实验结果证明，该系统在复杂问题上取得了最佳表现，并在 WebQuestions 上取得了第二佳 - 从文本资源中有针对性地提取时间事实，以改善知识库上的时间问答
本文提出了一种新颖的方法，其中使用针对特定类别问题的时间事实提取技术辅助 Knowledge Base Question Answering，以解决由于知识库不完整和实体 / 关系链接错误而无法检索所有相关事实的问题，实验结果显示，相对于传 - 多跳知识库问答的子图检索增强模型
本研究提出了一种可训练的子图检索器（SR），它与后续的推理过程分离，可增强任何以子图为导向的 KBQA 模型，并通过弱监督的预训练以及端到端的微调，与 NSM 组合成为新的基于嵌入的 KBQA 方法的最新的最先进的表现。
- 知识库问答中通用化的二阶段方法
提出了一种基于 2 阶段架构的 KBQA 框架，该架构明确地将语义解析与知识库交互分离，从而促进数据集和知识图之间的迁移学习，证明了在具有不同基础知识库的数据集上进行预训练可以显著提高性能并降低样本复杂度。
- 复杂知识库问答：综述
本文综述了近年来解决复杂问题的知识库问答的最新进展，介绍了语义分析和信息检索方法，总结了这两类方法在回答复杂问题时遇到的挑战，并详细解释了现有工作中使用的先进解决方案和技术，最后探讨了与复杂 KBQA 相关的若干有前途的研究方向。
- IJCAI复杂知识库问答调查：方法、挑战和解决方案
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。
- ACL利用抽象意义表示进行知识库问答
本文提出了一种模块化的知识库问答系统 Neuro-Symbolic Question Answering (NSQA)，它采用 Abstract Meaning Representation (AMR) parse 语义分析、简单有效的图转