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。

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谱转化为文本的方法，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。

介绍了DARA框架，用于提高语言智能代理在知识图谱问答中的性能。DARA通过任务分解和推理轨迹训练，将问题解析为正式查询。实验结果表明，DARA在LLMs上进行微调后，在不同基准测试中优于其他代理，达到了与最先进方法相当的性能。

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，实验证明该方法在准确回答和有用知识陈述方面优于先前方法。

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谱转化为文本的方法，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。