English(EN) Graph Visualizations in Prompts for Knowledge Graph Question Answering

图可视化提升视觉语言模型在知识图谱问答中的性能

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-11 05:00

一篇新的研究论文探讨了在视觉语言模型（VLMs）执行知识图谱问答（KGQA）的提示中使用图可视化方法的有效性。研究发现，添加图图像平均可将性能提高1.85个F1点，尤其对简单问题效果更佳。这些视觉提示的有效性高度依赖于图的布局，结构良好的分层布局和分解路径能产生最佳结果，而纯图像设置会降低性能。研究表明，自适应视觉提示策略，即选择性地将图表附加到不那么复杂且结构良好的子图中，可以优化准确性和效率。 AI

影响结构良好的图表进行视觉提示可以提高VLM在知识图谱任务上的准确性，为多模态人工智能交互开辟了新途径。

排序理由这是一篇发表在arXiv上的研究论文，详细介绍了一种提高AI模型性能的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 34 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 这是一篇发表在arXiv上的研究论文，详细介绍了一种提高AI模型性能的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Luiz do Valle Miranda, Andreas L. Opdahl, Grzegorz J. Nalepa · 2026-11-11 05:00

用于知识图谱问答的提示中的图可视化

arXiv:2611.12938v1 Announce Type: new Abstract: We study when and how multimodal input improves knowledge graph question answering (KGQA) in large vision--language models. Using a controlled evaluation over 1,500 WebQSP and CWQ questions and six VLMs within a fixed KGQA pipeline,…

本文如何被排名

报道来源 [1]

用于知识图谱问答的提示中的图可视化

相关实体

相关话题