本研究提出了GraphRAG-FI,解决了GraphRAG在知识缺口和虚假信息处理中的噪声检索及外部知识依赖问题,显著提升了知识图谱问答的推理性能。
本研究提出了一种名为OntoSCPrompt的两阶段架构,旨在提升知识图谱问答(KGQA)在新知识图谱上的泛化能力。该方法通过分离语义解析与知识图谱特定交互,并采用本体指导的混合提示学习策略,实验结果表明其在资源有效的情况下与先进方法性能相当,且能够有效泛化至未见领域的知识图谱。
该文综述神经问句生成(NQG)研究,涵盖语料库、方法与评价,并指出学习范式、输入形式和认知水平的新趋势,涉及教育场景人机协作QG系统、答案分离序列到序列模型、MixQG多数据集生成器、无监督新闻标题生成问句,以及知识图谱问答和GENQA等进展。
该文综述了知识图谱问答(KGQA)的多项研究,涵盖统一检索与推理架构、门控图神经网络语义解析、关系路径混合语义、归纳节点推理及QA-GNN等方法,通过融合预训练语言模型与图神经网络提升多跳推理能力,在常识问答和开放书本问答等数据集上优于现有方法。
大型语言模型结合知识图谱问答存在挑战。研究发现,将相关知识事实纳入问题上下文比融入模型更能提升性能。检索增强方法多关注非结构化文本而忽视结构知识。为此,有研究构建多源数据集,提出KG-to-Text增强框架、LeanContext上下文缩减方法及KSL知识解决器,通过多跳检索提升推理准确性与可解释性。
本文研究了解决知识图谱问答任务的知识图增强语言模型方法,实验证明该方法在回答准确性和知识陈述的有用性方面优于先前的方法。
本文研究了解决知识图谱问答任务的方法,提出了一种将知识图转化为文本的方法,并基于此方法提出了一种增强的语言模型框架。实验证明该方法在回答准确性和知识陈述方面优于先前的方法。
本文提出了一种用于解决知识图谱问答任务的知识图增强语言模型方法,通过将KG知识转化为文本化陈述,提高了回答准确性和知识陈述的有用性。实验证明,该方法优于先前的KG增强LLMs方法。
完成下面两步后,将自动完成登录并继续当前操作。