Knowledge Graph Question Answering
PulseAugur coverage of Knowledge Graph Question Answering — every cluster mentioning Knowledge Graph Question Answering across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
SPARQL-LLM 以多语言 KGQA 荣获 TEXT2SPARQL 2026 挑战赛冠军
一个名为 SPARQL-LLM 的新开源系统在 TEXT2SPARQL 2026 挑战赛中获得第一名，表现优于其他八种方法。该系统擅长将自然语言问题翻译成知识图谱的 SPARQL 查询，并展示了英语、德语和西班牙语的多语言能力。SPARQL-LLM 的准确性显著提高，其中一个实例比次优系统提高了 59%，并且该系统现已公开可用并部署在去中心化的生物信息学知识图谱上。
-
新的RoP框架提升知识图谱问答准确性
研究人员开发了一个名为Reward on Path (RoP)的新框架，以提高知识图谱问答（KGQA）模型的准确性。该方法从答案标签中学习中间监督信号，有助于更好地指导模型检索相关的KG证据。RoP通过联合监督通往同一答案的路径并单独惩罚不正确的路径来解决现有方法的局限性，从而在没有LLM精炼监督的高成本的情况下提供更精确的训练信号。
-
联邦KGQA系统FedV-KGQA在分区图上恢复集中式准确性
一篇新的研究论文介绍FedV-KGQA，一个专为垂直分区图上的联邦知识图谱问答设计的系统。这种方法解决了数据分布在共享实体标识符但具有不相交关系类型的组织之间的情况，阻止任何单个实体访问完整图谱。该系统丰富本地图谱，在孤岛内训练嵌入，然后将孤岛特定的实体视图连接到服务器上进行问题锚定和候选排名，确保原始三元组和关系嵌入永远不会离开各自的孤岛。实验表明，联邦融合显著恢复了集中式准确性，锚定和丰富比嵌入模型的选择更关键。
-
新框架通过LLM和代理导航增强知识图谱问答能力
研究人员开发了两个用于知识图谱（KG）问答的新颖框架。第一个，KGFR，采用大型语言模型（LLM）和结构化检索器（KGFR）之间的协作方法，实现了对未见过的KG的零样本泛化，并能高效处理大型图谱。第二个，KGVoyager，提出了一个知识图谱无关的代理架构，该架构动态地发现图谱结构和语义以生成SPARQL查询，仅需要一个查询端点和一个轻量级的类索引即可应用于现实世界的端点。
-
新框架改进了基于LLM的知识图谱问答
研究人员为使用大型语言模型（LLMs）的知识图谱问答（KGQA）引入了一个名为Constrained Entity Selection under Partial Knowledge (CES-PK) 的新框架。该方法侧重于使用从问题中提取的轻量级符号约束来验证LLMs生成的候选答案，而不是像SPARQL那样需要完整的语义解析成可执行查询。CES-PK旨在通过过滤无效答案来提高精度，并通过采用三值约束语义，在知识图谱不完整的情况下避免…
-
新框架提升多跳知识图谱问答能力 · 跟踪 2 个来源
两篇新研究论文提出了用于增强知识图谱问答（KGQA）能力的新颖框架，特别针对复杂的多跳查询。第一个框架 FedV-KGQA 解决了数据分布在不同组织中的场景，通过在不进行集中访问的情况下进行推理，确保数据主权。第二个框架 Compositional Chain-of-Relations (CCoR) 引入了一种以关系为中心的探索范式，通过直接在知识图谱中进行候选检索和约束处理来提高忠实度和准确性，从而缓解实体修剪和幻觉等问题。
-
KGCache系统加速LLM知识图谱推理
研究人员开发了KGCache，一种新颖的内存缓存系统，旨在提高大型语言模型（LLM）在知识图谱推理时的效率。KGCache存储频繁访问的单跳知识图谱邻域，减少不同问题之间的冗余查询。该系统兼容迭代遍历和单次规划的KGQA范式。在WebQSP和CWQ数据集上的评估显示，实体重用显著，实体缓存将KG检索速度提高了1.91倍，语义上下文缓存实现了高达1.06倍的整体系统加速。
-
新的基准 ENTLORE 测试企业问答中的潜在组织推理 · 跟踪 6 个来源
研究人员推出了 ENTLORE，这是一个旨在评估企业问答系统中潜在组织推理能力的新基准。该框架从文档和组织表中重建企业结构，以测试模型推断隐含关系的能力，而不仅仅是陈述的事实。ENTLORE 包含 2,341 份文档和 907 个问题，结果显示，虽然将数据构建为知识图谱可以提高性能，但仍有很大一部分潜在问题未得到解答。此外，其他研究探索了用于知识图谱问答的智能体方法，重点关注自我改进和合成轨迹课程，以增强推理和泛化能力。
-
神经符号AI研究将神经网络与符号推理相结合
两篇研究论文探讨了用于增强AI能力的神经符号方法。第一篇NeuroSymActive论文将一个可微分的神经符号推理层与一个主动探索控制器相结合，用于知识图谱问答，目标是以更少的图查找获得更高的准确性。第二篇论文提出了一个框架，将图神经网络与关系贝叶斯网络相结合，实现了图数据的灵活推理和概率建模，用于节点分类和环境规划等任务。
-
新的KGQA研究强调证据差距而非正确性
一篇新发表在arXiv上的研究论文探讨了知识图谱问答（KGQA）中的挑战，特别关注需要推断缺失信息的知识图谱不完整性问题。研究揭示了文本可验证性与推断边的实际正确性之间存在显著差距，大量正确边缺乏直接的文本支持。这表明当前方法通常衡量的是证据而非准确性。为解决此问题，论文引入了TGComplete策略，该策略通过不承认没有文本证据的边来优先考虑证据，从而以牺牲部分召回率为代价，提高了边的精度和严格的忠实度。
-
新的RAG研究解决了表格数据、成本和跨语言知识问题
几篇最新的研究论文探讨了检索增强生成（RAG）系统的进展。一篇论文介绍了正交子空间分解（OSD），用于将特定任务行为与参数化RAG中的文档知识分离开来，从而改进适配器组合。另一篇论文CroSearch-R1提出了一个框架，通过将多语言信息整合到强化学习过程中，更好地利用跨语言知识进行RAG。此外，研究还探讨了指代消解对RAG的影响，证明其能够减少歧义并提高性能，特别是对于较小的模型。其他研究则侧重于通过重排分析增强RAG在金融报告等特…