Knowledge Base Question Answering System Based on Knowledge Graph Representation Learning
PulseAugur coverage of Knowledge Base Question Answering System Based on Knowledge Graph Representation Learning — every cluster mentioning Knowledge Base Question Answering System Based on Knowledge Graph Representation Learning across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的Foresight-over-Graph框架提升了LLM知识库问答能力
研究人员推出了一种新颖的Foresight-over-Graph (FoG)框架，旨在通过改进大型语言模型（LLMs）从知识图中检索和利用信息的方式来增强知识库问答（KBQA）。传统方法由于其短视的局部决策，常常在推理过程早期就丢弃了潜在的关键证据。FoG通过构建相关的证据子图并采用一种具有前瞻性的方法来指导路径探索，同时维护一个用于持续分析的记忆子图来解决这个问题。实验表明，FoG在KBQA基准测试中取得了最先进的性能，尤其是在CW…
-
新的MCTS方法提升LLM知识库问答能力
研究人员开发了一种名为Fast MCTS的新方法，以提高大型语言模型（LLM）在知识库问答（KBQA）方面的性能。该方法解决了基于LLM的KBQA中传统蒙特卡洛树搜索（MCTS）在设计奖励和计算成本方面面临的挑战。Fast MCTS利用信息增益奖励来处理中间状态，该奖励使用开源指令LLM计算，无需额外的奖励模型训练。在四个KBQA基准测试上的实验表明，Fast MCTS优于线性基线，并且与经典的MCTS方法相比，提供了更好的准确性-成本权衡。
-
新框架增强了LLM在不完整知识图上的推理能力
研究人员开发了一种新颖的基于图的软提示框架，以提高大型语言模型（LLM）在处理不完整知识图时的推理能力。该方法将重点从显式路径遍历转移到子图级别的推理，利用图神经网络（GNN）将结构化子图编码为软提示。这使得LLM能够处理更丰富的上下文信息，并更有效地识别相关实体，即使在边缺失的情况下也是如此。该框架采用两阶段过程，首先使用轻量级LLM识别相关实体和关系，然后使用更强大的LLM进行证据感知答案生成，在四个多跳知识库问答（KBQA）基准…
-
SAGA框架通过模式感知增强代理式文本到SPARQL生成
研究人员推出SAGA，一个旨在改进知识库问答代理式文本到SPARQL生成的新框架。SAGA通过将模式感知纳入归因过程，解决了现有语言模型代理中的“类型盲归因”问题。这种无需训练的方法可以过滤不兼容的属性候选，并呈现模式注释的图模式，从而在多个基准测试中显著提高准确性并减少空结果查询。
-
新的DeSQ框架简化了KBQA的SPARQL查询生成
研究人员推出DeSQ，一个用于知识库问答（KBQA）的SPARQL查询生成新框架。DeSQ将复杂问题分解为原子约束，将它们映射到SPARQL片段，然后组装成完整的查询。该方法旨在结合直接查询生成和答案检索的优点，同时减轻它们的缺点。DeSQ在多个基准测试中表现出卓越的性能，并提供了更高的鲁棒性和简化的评估。
-
新的GAPD框架通过密集指导提升智能体KBQA性能
研究人员推出了一种新颖的训练框架GAPD，旨在增强基于强化学习的智能体知识库问答（KBQA）能力。该方法通过提供密集的、令牌级别的指导，解决了基于强化学习的KBQA系统中稀疏奖励的问题。GAPD采用“中间锚点匹配”技术，将模型采取的中间动作与黄金标准动作对齐，有效地从黄金策略中蒸馏知识，以提高学生策略在中间步骤上的性能。
-
新方法通过基于图和提取的方法解决 LLM 幻觉问题
研究人员正在开发新方法来对抗大型语言模型中的幻觉，尤其是在复杂的问答任务中。一种方法是使用基于图的检索增强生成（RAG）系统，该系统利用结构化数据来提高事实准确性并减少虚假答案。另一种策略侧重于通过将 LLM 视为黑匣子并使用基于图的框架来对提出的答案进行分类，来检测知识库问答中的幻觉。此外，还发布了一系列新的轻量级模型，它们从文档中提取逐字文本片段，提供直接证据而不是生成答案。