基于问题引导的知识图谱重新评分和注入用于知识图谱问答
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了知识图谱问答中检索到的子图包含干扰信息的问题，这妨碍了模型的准确推理。我们提出了一种问题引导的知识图谱重新评分方法(Q-KGR)，通过消除噪声路径来专注于相关的事实知识。同时，介绍了一种高效参数的Knowformer方法，将重新评分的知识图谱注入到大型语言模型中，以增强其进行事实推理的能力。实验结果证明了我们方法的优越性。
本文介绍了KnowledgeNavigator框架，通过从知识图中检索外部知识来增强大型语言模型的推理能力。该框架通过挖掘问题的潜在约束来指导推理，并利用迭代推理过滤支持回答的知识，将结构化知识转化为有效提示。实验显示，该框架在多个基准测试中表现优异，超过以往方法，效果与完全监督模型相当。
