该研究针对知识库问答（KBQA）中的弱KB意识、效率与效果的不平衡以及对标注数据的高依赖性等挑战，提出了一种新的方法KBQA-o1。通过引入基于ReAct的代理过程和蒙特卡洛树搜索（MCTS），该方法能够在探索KB环境的同时，逐步生成逻辑形式，并显著提高了在低标注数据条件下的表现，提升了Llama-3.1-8B模型在GrailQA上的F1得分至78.5%。

本论文介绍了SPINACH数据集和SPINACH代理，用于解决数据库问答任务。实验证明SPINACH在KBQA方面的能力，提高了F1值。SPINACH代理在新的数据集上超过了所有基线模型，包括基于GPT-4的KBQA代理。

Riya Sawhney、Indrajit Bhattacharya 和 Mausam 提出了一项新任务，以通过少样本迁移学习解决KBQA中未回答问题的问题。他们使用FUn-FuSIC模型扩展了用于KBQA的高级少样本迁移学习模型。FUn-FuSIC通过将多样的句法、语义和执行引导检查纳入LLM提示中生成问题的逻辑形式，并使用自一致性评估LLM的信心以确定可回答性。实验结果表明，FUn-FuSIC在新构建的数据集上优于为KBQA中未回答问题设计的高级模型和为KBQA中有答案的少样本迁移学习设计的高级模型。

知识图谱问答系统任务和意义 问答系统（Qusstion Answering System,QA System） […]