发展针对波兰语的 PUGG：基于现代方法的知识库问答、机器阅读理解和信息检索数据集构建
内容提要
本文探讨了自动收集弱标签数据集的方法及其对神经检索模型性能的影响，发布了包含400,000个波兰语问题的MAUPQA数据集。研究提出了Interactive-KBQA框架，增强了多语种知识图谱问答系统的能力，并在多个数据集上取得了良好结果。此外，基于ChatGPT的CQL生成框架在CCKS 2023竞赛中获得第二名。
延伸解读
波兰语问答数据集的构建与影响
文章介绍了MAUPQA数据集的构建，该数据集包含近40万个波兰语问题-段落对，并发布了HerBERT-QA神经检索器。这项工作展示了自动收集弱标签数据集的方法，并评估了其对神经检索模型性能的影响，为波兰语信息检索研究提供了重要资源。
Interactive-KBQA框架的交互式推理
Interactive-KBQA框架通过与知识库直接交互生成逻辑形式，包含三种通用API用于知识库交互。该框架通过步骤推理过程注释数据集，在低资源场景下以极少示例达到优秀结果，展示了模型的适应性和潜力，为知识库问答提供了新思路。
多语种知识图谱问答的简化方法
研究提出一种简化方法增强多语种知识图谱问答系统，将语言上下文和实体信息直接融入语言模型处理流程。使用预训练多语种转换器模型处理主要输入和辅助数据，显著提高了自然语言查询转换为SPARQL查询的准确性，并在QALD-9-Plus和QALD-10等数据集上展示了有希望的结果，同时扩展了中文和日文的语言多样性。
基于ChatGPT的CQL生成框架在CCKS 2023中的表现
针对CCKS 2023无人系统知识图推理问答竞赛，研究提出基于ChatGPT的CQL生成框架，包含辅助模型、专有名词匹配器、演示示例选择器、提示构造器、ChatGPT模型和集成模型六个部分。该框架在竞赛中获得第二名，F1-score为0.92676，展示了大型语言模型在知识库问答任务中的潜力。
Q&A
MAUPQA数据集包含多少个波兰语问题？
MAUPQA数据集包含接近400,000个波兰语问题。
Interactive-KBQA框架的主要功能是什么？
Interactive-KBQA框架增强了知识库问答领域的能力，通过与知识库直接交互生成逻辑形式。
基于ChatGPT的CQL生成框架在CCKS 2023竞赛中取得了什么成绩？
该框架在CCKS 2023竞赛中获得第二名，F1-score为0.92676。
本文提出了什么方法来增强多语种知识图谱问答系统？
提出了一种简化的方法，将语言上下文和实体信息直接融入语言模型的处理流程中。
本文研究的自动收集弱标签数据集的方法有什么影响？
这些方法对神经检索模型的性能产生了积极影响。
如何提高自然语言查询转换为SPARQL查询的能力？
通过使用预训练的多语种转换器型语言模型来处理主要输入和辅助数据，显著提高了转换能力。
