Query Refinement Prompts for Closed-Book Long-Form Question Answering
Google Research（谷歌研究院）
大语言模型（LLM）已被证明在回答问题和生成长篇文本方面表现良好，无论是在Few-Shot封闭式设置中。虽然前者可以使用众所周知的评价指标进行验证，但后者很难评价。我们通过同时执行两个任务来解决评估长形式输出的困难--执行需要长形式答案的问答。这些问题往往是多方面的，即，它们可能具有模糊性和/或需要来自多个来源的信息。为此，我们定义了查询细化提示，鼓励LLM明确表达问题中的多面性，并生成涵盖问题多个方面的长格式答案。我们在两个长形式的问答数据集ASQA和AQuAMuSe上的实验表明，使用我们的提示可以让我们在封闭的书本设置中超越完全微调的模型，并实现与检索然后生成的开放书本模型相当的结果。
2022-10-31 cs.CL
MCQA: Multimodal Co-attention Based Network for Question Answering
University of Maryland（马里兰大学）
我们提出了MCQA，一个基于学习的多模态问答算法。MCQA明确地融合和对齐多模态输入（即文本、音频和视频），这形成了查询（问题和答案）的上下文。我们的方法融合并在此背景下调整问题和答案。此外，我们使用的概念的共同注意力进行跨模态对齐和多模态上下文查询对齐。我们的上下文查询对齐模块将多模态上下文和查询的相关部分相互匹配，并将它们对齐，以提高整体性能。我们评估的性能MCQA社会智商，多模态问答的基准数据集。我们比较我们的算法与以前的方法的性能，并观察到4- 7%的准确性提高。
2020-04-25 cs.CL
Expand, Rerank, and Retrieve: Query Reranking for Open-Domain Question Answering
Massachusetts Institute of Technology（麻省理工学院）；Meta AI
本文提出 EAR 方法，通过查询扩展生成多样化查询并用重排序器选择更优查询，从而显著提升 BM25 在开放域问答中的检索准确率。
2023-05-26 cs.CL
Semantic Structure based Query Graph Prediction for Question Answering over Knowledge Graph
Georgia State University（佐治亚州立大学）
从自然语言问题构建查询图是基于知识图谱的复杂问答（Complex KGQA）的重要步骤。通常，如果问题的查询图被正确地构建，则可以正确地回答问题，并且然后通过针对KG发出查询图来检索正确的答案。因此，本文主要研究基于自然语言问句的查询图生成。现有的查询图生成方法忽略了问题的语义结构，导致大量嘈杂的查询图候选项，从而损害了预测准确性。在本文中，我们定义了六个语义结构的常见问题在KGQA和开发一个新的结构BERT预测的语义结构的问题。通过这样做，我们可以首先过滤掉嘈杂的候选查询图，然后使用基于BERT的排名模型对剩余的候选进行排名。在两个流行的基准测试MetaQA和WebtensSP（WSP）上进行的大量实验表明，与最先进的方法相比，我们的方法是有效的。
2022-09-21 cs.AI cs.CL
Semantic Framework based Query Generation for Temporal Question Answering over Knowledge Graphs
Nanjing University（南京大学）
本文提出SF-TQA方法，基于时序约束语义框架生成查询图，解决时序知识图谱问答中事件时间关联问题，在两个基准上显著优于现有方法。
2023-05-11 cs.CL
DyREx: Dynamic Query Representation for Extractive Question Answering
FI Group（FI集团）；Université Sorbonne Paris Nord（索邦巴黎北大学）；CNRS（法国国家科学研究中心）
抽取式问答是自然语言处理的一项重要任务。ExQA的主要方法是用预训练的Transformer表示输入序列标记（问题和段落），然后使用两个学习的查询向量来计算开始和结束答案跨度位置的分布。这些查询向量缺乏输入的上下文，这可能是模型性能的瓶颈。为了解决这个问题，我们提出了\textit{DyREx}，\textit{vanilla}方法的推广，我们动态计算查询向量的输入，通过Transformer层使用的注意力机制。经验观察表明，我们的方法始终提高性能的标准之一。用于运行实验的代码和随附文件可在\url{https://github.com/urchade/DyReX}获得。
2022-10-26 cs.AI cs.CL
A Data Driven Approach to Query Expansion in Question Answering
University of Sheffield（谢菲尔德大学）
自然语言问题的自动回答是一个有趣而有用的问题。问答（QA）系统通常在初始阶段执行信息检索。Lucene等引擎提供的信息检索（IR）性能限制了整个系统的性能。例如，对于几乎40%的问题，在低级别没有检索到带有答案的文档。在本文中，回答文本从以前的QA评估举行的文本检索会议（TREC）的一部分，配对查询和分析，试图确定性能增强的话。然后，这些词用于评估查询扩展方法的性能。数据驱动的扩展词被发现对70%以上的难题有帮助。这些词可用于改进和评估查询扩展方法。简单的盲相关反馈（RF）被正确预测为不太可能帮助整体性能，并提供了一个可能的解释，其低价值的IR QA。
2012-03-22 cs.CL cs.IR
QLSC: A Query Latent Semantic Calibrator for Robust Extractive Question Answering
Ping An Technology (Shenzhen) Co., Ltd.（平安科技（深圳）有限公司）
本文提出查询潜在语义校准器QLSC，通过缩放策略捕获查询潜在语义中心特征，并利用注意力机制融合查询与段落嵌入，从而提升抽取式问答模型对格式变化但语义相同输入的鲁棒性和答案定位准确性。
2024-04-30 cs.CL
CAiRE-COVID: A Question Answering and Query-focused Multi-Document Summarization System for COVID-19 Scholarly Information Management
EMOS Technologies Inc.（EMOS科技公司）
我们介绍CAiRE-COVID，一个实时问答（QA）和多文档摘要系统，它赢得了Kaggle COVID-19开放研究数据集挑战赛的10个任务之一，由医学专家评判。我们的系统旨在通过回答社区的高优先级问题并总结与问题相关的重要信息，来应对最近挖掘大量关于COVID-19的科学文章的挑战。它将信息抽取与最先进的QA和以查询为中心的多文档摘要技术相结合，从现有文献中选择并突出显示证据片段。我们还提出了以查询为中心的抽象和提取的多文档摘要方法，以提供更多的相关信息的问题。我们进一步进行定量实验，显示每个模块的各种指标的一致改进。我们已经推出了我们的网站CAiRE-COVID，供医学界更广泛地使用，并开放了我们系统的代码，以引导其他研究人员进行进一步的研究。
2020-12-08 cs.CL cs.IR cs.LG
Answering Complex Open-domain Questions Through Iterative Query Generation
Stanford University（斯坦福大学）
对于当前的一步检索和阅读问答（QA）系统来说，回答诸如“《无敌舰队》的作者的哪部小说将被史蒂文·斯皮尔伯格改编为故事片？“因为这个问题很少包含关于失踪实体（这里是作者）的可检索线索。提出这样的问题需要多跳推理，其中必须收集关于丢失的实体（或事实）的信息以继续进行进一步的推理。我们提出了GoldEn（黄金实体）检索器，它在阅读上下文和检索更多支持文档之间迭代，以回答开放域多跳问题。GoldEn Retriever没有使用不透明和计算昂贵的神经检索模型，而是在给定问题和可用上下文的情况下生成自然语言搜索查询，并利用现成的信息检索系统来查询丢失的实体。这使得GoldEn Retriever能够有效地扩展开放域多跳推理，同时保持可解释性。我们在最近提出的开放域多跳QA数据集HotpotQA上评估了GoldEn Retriever，并证明了它的性能优于先前发布的最佳模型，尽管没有使用预训练的语言模型，如BERT。
2019-10-15 cs.CL
A Unified Query-based Generative Model for Question Generation and Question Answering
University of Rochester（罗切斯特大学）；IBM T.J. Watson Research Center（IBM T.J. 沃森研究中心）
我们提出了一个基于查询的生成模型来解决问题生成（QG）和问题回答（QA）这两个任务。该模型遵循经典的编码器-解码器框架。编码器将段落和查询作为输入，然后通过从多个视角将查询与段落进行匹配来执行查询理解。解码器是具有复制和覆盖机制的基于注意力的长短期记忆（LSTM）模型。在QG任务中，从给定段落和目标答案的系统生成问题，而在QA任务中，给定问题和段落生成答案。在训练阶段，我们利用策略梯度强化学习算法来克服暴露偏差，一个主要的问题，导致序列学习的交叉熵损失。对于QG任务，我们的实验显示出比最先进的结果更高的性能。当用作额外的训练数据时，自动生成的问题甚至提高了强提取QA系统的性能。此外，我们的模型显示出比生成QA任务的最新基线更好的性能。
2018-08-28 cs.CL
IQA: Interactive Query Construction in Semantic Question Answering Systems
University of Bonn（波恩大学）；Fraunhofer IAIS（弗劳恩霍夫智能分析与信息系统研究所）；L3S Research Center（L3S研究中心）；Leibniz Universität Hannover（汉诺威莱布尼茨大学）
语义问答（SQA）系统根据语义查询自动解释以自然语言表达的用户问题。这个过程涉及不确定性，使得结果查询并不总是准确地匹配用户意图，特别是对于更复杂和不太常见的问题。在本文中，我们的目标是使用户能够通过交互引导SQA系统实现预期的语义查询。我们介绍了IQA -一种SQA管道的交互方案。该方案促进了问答过程中用户反馈的无缝集成，并依赖于选项增益-一种新颖的度量，能够实现高效和直观的用户交互。我们的评估表明，使用所提出的计划，即使是少量的用户交互可以导致显着改善SQA系统的性能。
2020-06-25 cs.CL cs.IR
An Inference Approach To Question Answering Over Knowledge Graphs
International Institute of Information Technology, Bangalore（班加罗尔国际信息技术学院）；Indian Institute of Science（印度科学理工学院）；Accenture Technology Labs（埃森哲技术实验室）
知识图谱（KG）是一个很好的工具，用于保存从大型自然语言文本语料库中提取的信息。知识图谱上的自然语言查询问题对于人类消费这些信息是必不可少的。这个问题通常通过将自然语言查询转换为结构化查询并且然后在KG上激发结构化查询来解决。在知识图谱上的直接回答模型的文献很少。查询转换模型和直接模型都需要与知识图谱的域有关的特定训练数据。在这项工作中，我们将知识图谱上的自然语言查询问题转换为前提假设对上的推理问题。使用经过训练的深度学习模型来解决转换后的代理推理问题，我们为原始的自然语言查询问题提供了解决方案。我们的方法在MetaQA数据集上实现了超过90%的准确率，击败了现有的最先进的。我们还提出了一个称为分层递归路径编码器（HRPE）的推理模型。推理模型可以被微调以跨具有较少训练数据的域使用。我们的方法不需要大的特定领域的训练数据查询新的知识图谱从不同的领域。
2021-12-21 cs.CL cs.LG
Query pipeline optimization for cancer patient question answering systems
School of Computing and Information Systems, University of Melbourne（墨尔本大学计算与信息系统学院）；Health Data Science and Biostatistics, University of Texas Southwestern Medical Center（德克萨斯西南医学中心健康数据科学与生物统计学）
本文提出了一种针对癌症患者问答系统的RAG查询管道三方面优化方法，通过改进文档检索、段落检索和语义表示，提升了回答准确性。
2026-04-16 cs.CL
SPBERT: An Efficient Pre-training BERT on SPARQL Queries for Question Answering over Knowledge Graphs
University of Science（科学大学）；Case Western Reserve University（凯斯西储大学）；National Cancer Institute（美国国家癌症研究所）
在本文中，我们提出了SPBERT，一个基于transformer的语言模型预训练的大量SPARQL查询日志。通过结合掩蔽语言建模目标和单词结构目标，SPBERT可以学习自然语言和SPARQL查询语言的通用表示。我们研究如何SPBERT和编码器-解码器架构可以适应基于知识的QA语料库。我们进行了详尽的实验上的两个额外的任务，包括SPARQL查询建设和回答动词化生成。实验结果表明，SPBERT可以获得令人满意的结果，在其中几个任务上获得了最先进的BLEU分数。
2021-06-30 cs.CL
QQSUM: A Novel Task and Model of Quantitative Query-Focused Summarization for Review-based Product Question Answering
RMIT University（拉筹伯大学）
本文提出QQSUM任务与QQSUM-RAG模型，通过少样本学习联合训练KP检索器和摘要生成器，从评论中提取并量化多样化关键点，以提升产品问答的答案质量与意见覆盖度。
2025-06-04 cs.CL
Privacy Policy Question Answering Assistant: A Query-Guided Extractive Summarization Approach
The Ohio State University（俄亥俄州立大学）
现有的使隐私政策可访问的工作已经探索了新的呈现形式，例如基于风险因素或摘要的颜色编码，以帮助用户有意识地同意。为了促进更个性化的互动政策，在这项工作中，我们提出了一个自动化的隐私政策问答助理，提取摘要，响应输入的用户查询。这是一项具有挑战性的任务，因为用户用与政策的法律语言截然不同的语言表达他们的隐私相关问题，使系统难以理解他们的查询。此外，该领域现有的注释数据有限。我们通过解释来解决这些问题，使用户问题的风格和语言更接近隐私政策的语言。我们的内容评分模块使用现有的域内数据在策略中查找相关信息，并将其合并到摘要中。我们的管道能够为privacyQA数据集中89%的用户查询找到答案。
2021-09-29 cs.CL cs.CY cs.IR
Commonsense Properties from Query Logs and Question Answering Forums
Télécom Paris（巴黎电信学院）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；University of Aberdeen（阿伯丁大学）
关于对象属性、人类行为和一般概念的常识知识对于健壮的AI应用至关重要。然而，自动获取这些知识是具有挑战性的，因为在线资源的稀疏性和偏见。本文介绍了Quasimodo，一种从非标准Web资源中提取常识属性的方法和工具套件。我们设计了新的方法，利用搜索引擎查询日志和QA论坛，并结合由此产生的候选断言与统计线索，从百科全书，书籍和图像标签中的确证步骤。与之前的常识知识库工作不同，Quasimodo专注于通常与某些对象或概念相关的显着属性。广泛的评估，包括外部用例研究，表明Quasimodo提供了比具有可比质量的最先进基线更好的覆盖率。
2021-02-10 cs.AI cs.CL cs.DB
MRNN: A Multi-Resolution Neural Network with Duplex Attention for Document Retrieval in the Context of Question Answering
University of Arkansas Little Rock（阿肯色大学小石城分校）
自组织检索（问答环境中的文档检索）的主要目标是找到满足自然语言查询中发布的信息需求的相关文档。它需要对查询和语料库中的所有文档有很好的理解，这是困难的，因为自然语言文本的含义取决于上下文、语法和语义。最近，深度神经网络已经被用于响应于查询对搜索结果进行排名。在本文中，我们设计了一个多分辨率神经网络（MRNN），利用整个层次的表示文档检索。MRNN模型能够从学习到的层次表示的所有层中获得一个集成了不同抽象层次的表示，并且设计了一个双重注意组件来改进多分辨率表示，从而确定查询和文档匹配的最佳上下文.更具体地，第一注意力机制根据所学习的查询和文档的多分辨率表示来确定最佳上下文。后一种注意力机制旨在微调表示，使得查询和相关文档更接近。实证研究表明，MRNN与双重注意力是显着优于现有的模型用于ad-hoc检索基准数据集，包括SQuAD，WikiQA，QUASAR，TrecQA。
2019-11-03 cs.CL cs.IR
DR-RAG: Applying Dynamic Document Relevance to Retrieval-Augmented Generation for Question-Answering
Li Auto Inc.（理想汽车）；Sun Yat-sen University（中山大学）；Northeastern University（东北大学）；Sichuan University（四川大学）
针对RAG单次检索不可靠且多次调用LLM效率低的问题，提出两阶段DR-RAG框架，利用文档与查询的动态相关性及紧凑分类器提升多跳问答检索召回与答案准确率。
2024-06-16 cs.CL cs.LG
NeuralQA: A Usable Library for Question Answering (Contextual Query Expansion + BERT) on Large Datasets
Cloudera Fast Forward Labs
现有的问答（QA）工具面临着限制其在实践中使用的挑战。它们的设置或与现有基础设施的集成可能很复杂，不提供可配置的交互式接口，并且不涵盖经常构成QA管道的全部子任务（查询扩展、检索、阅读和解释/意义构建）。为了帮助解决这些问题，我们引入了NeuralQA -一个用于大型数据集QA的可用库。NeuralQA与现有基础设施（例如，ElasticSearch实例和使用HuggingFace Transformers API训练的读取器模型），并为QA子任务提供有用的默认值。它引入并实现了上下文查询扩展（CQE）使用掩蔽的语言模型（MLM）以及相关的片段（RelSnip）-一种方法，用于压缩大型文档成较小的段落，可以快速处理的文档阅读器模型。最后，它提供了一个灵活的用户界面，以支持研究探索的工作流程（例如，基于梯度的解释的可视化，以支持模型行为的定性检查）和大规模搜索部署。NeuralQA的代码和文档可以在Github（https：//github.com/victordibia/neuralqa}{Github）上以开源的形式获得。
2020-11-28 cs.AI cs.CL cs.HC
Text to Query Plans for Question Answering on Large Tables
CSIRO Data61（CSIRO数据61）
针对大型表格问答，提出一种将自然语言查询转化为查询计划的新框架，利用大语言模型迭代构建操作序列并直接在数据上执行，以支持复杂分析并克服上下文限制，实验验证其有效性。
2025-08-26 cs.AI cs.CL cs.DB
$M^3 QuestionIng$: Multi-modal Multi-span Medical Question Answering
提出多模态多跨度医学问答框架M3QAFrame，结合文本与图像线索生成包含文本和图像的答案，在自建数据集上超越现有方法。
2026-05-19 cs.AI cs.CL cs.IR
Knowledge Base Question Answering by Case-based Reasoning over Subgraphs
UMass Amherst（马萨诸塞大学阿默斯特分校）；University of Southern California（南加州大学）；Google DeepMind（谷歌DeepMind）；University of Washington（华盛顿大学）
知识库上的问答（QA）是一个具有挑战性的问题，因为它需要各种各样的推理模式。然而，我们假设在一个大的KB，推理模式需要回答的查询类型重新出现在各自的子图邻域中的各种实体。利用不同子图的局部邻域之间的这种结构相似性，我们引入了半参数模型（CBR-SUBG）具有（i）非参数分量，对于每个查询，动态检索其他类似的$k$ -最近邻（KNN）训练查询以及查询特定的子图，以及（ii）被训练以识别（潜在）从KNN查询的子图中推理模式，然后将它们应用于目标查询的子图。我们还提出了一个自适应的子图收集策略来选择一个查询特定的紧凑子图，使我们能够扩展到包含数十亿事实的完整Freebase KB。我们表明，CBR-SUBG可以回答需要子图推理模式的查询，并在几个KBQA基准测试中与最佳模型竞争。我们的子图收集策略还产生更紧凑的子图（例如，WebQSP的大小减少了55\%，而答案召回率增加了4.85\%）\footnote{Code, model, and subgraphs are available at \url{https://github.com/rajarshd/CBR-SUBG}}。
2022-06-17 cs.AI cs.CL cs.LG
Quasar: Datasets for Question Answering by Search and Reading
School of Computer Science（计算机科学学院）；Carnegie Mellon University（卡内基梅隆大学）
我们提出了两个新的大规模数据集，旨在评估系统，旨在理解一个自然语言查询，并从一个大的文本语料库中提取其答案。Quasar-S数据集由37000个完形填空式（fill-in-the-gap）查询组成，这些查询是根据流行网站Stack Overflow上的软件实体标签定义构建的。网站上的帖子和评论作为回答完形填空题的背景语料。Quasar-T数据集由43000个开放领域的琐事问题和从各种互联网来源获得的答案组成。CNOW Web 09作为提取这些答案的背景语料库。我们将这些数据集作为仿真问答的两个相关子任务的挑战：（1）搜索包含查询正确答案的相关文本片段，以及（2）阅读检索到的文本以回答查询。我们还描述了一个检索系统，用于从给定查询的语料库中提取相关的句子和文档，并将这些包括在发布中，供希望只关注（2）的研究人员使用。我们在两个数据集上评估了几个基线，从简单的算法到强大的神经模型，并表明这些基线分别落后于Quasar-S和-T的16.4%和32.1%。这些数据集可在https://github.com/bdhingra/quasar上获得。
2017-08-09 cs.CL cs.IR cs.LG
ViSAR: Training-Free Adaptive-$k$ Retrieval for Visual Document Question Answering
INSA Lyon（里昂国立应用科学学院）；CNRS（法国国家科学研究中心）；EPITA Research Laboratory (LRE)（EPITA研究实验室）；Lowit（洛维特公司）；LIRIS UMR 5205（里昂信息、图像与智能系统实验室）
ViSAR是一种无需训练的自适应k检索方法，用于视觉文档问答，可动态确定检索页面数量，降低RAG延迟最高58.7%，同时保持或提升答案准确性。
2026-09-04 cs.AI cs.CL cs.CV
Benchmarking the Combinatorial Generalizability of Complex Query Answering on Knowledge Graphs
HKUST（香港科技大学）；Tsinghua University（清华大学）；Peng Cheng Laboratory（鹏城实验室）
复杂查询推理是知识图谱上的一个重要推理任务。目前的CQA学习模型已经被证明能够从原子算子推广到更复杂的公式，这可以被视为组合推广。在本文中，我们提出了EFO-1-QA，这是一个新的数据集，通过包括301种不同的查询类型来衡量CQA模型的组合泛化能力，这是现有数据集的20倍。此外，我们的工作，第一次提供了一个基准，以评估和分析不同的运营商和范式的影响，通过使用（a）7个选择的运营商系统和（b）9种形式的复杂查询。具体地说，我们提供了两个常用的运营商，即，投影和交集，并证明给定操作符的规范选择的查询形式的影响。我们的代码和数据可以提供一个有效的管道来基准CQA模型。
2021-11-05 cs.CL
Sequential Query Encoding For Complex Query Answering on Knowledge Graphs
Hong Kong University of Science and Technology（香港科技大学）
针对知识图谱复杂查询回答中现有查询编码方法过于复杂的问题，提出序列查询编码（SQE），通过将计算图线性化为token序列并用序列编码器计算向量表示来检索答案，在多个基准上取得最先进性能。
2023-06-25 cs.AI cs.CL
Outlining and Filling: Hierarchical Query Graph Generation for Answering Complex Questions over Knowledge Graphs
Southeast University（东南大学）
查询图构造的目的是在KG上构造正确的可执行SPARQL来回答自然语言问题。尽管最近的方法使用基于神经网络的查询图排序取得了良好的结果，但是当处理更复杂的问题时，它们遭受三个新的挑战：1）复杂的SPARQL语法，2）巨大的搜索空间，以及3）局部模糊的查询图。在本文中，我们提供了一种新的解决方案。作为一个准备，我们扩展了查询图处理每个SPARQL子句作为一个子图组成的顶点和边，并定义了一个统一的图形语法称为AQG来描述查询图的结构。基于这些概念，我们提出了一种新的端到端模型，执行分层自回归解码生成查询图。高级解码生成AQG作为约束，以修剪搜索空间并减少局部模糊查询图。底层解码通过从预先准备的候选中选择合适的实例来填充AQG中的槽来完成查询图的构造。实验结果表明，我们的方法大大提高了复杂KGQA基准上的SOTA性能。配备了预训练的模型，我们的方法的性能得到了进一步提高，实现了所有三个数据集的SOTA。
2022-09-11 cs.AI cs.CL
Complex Query Answering on Eventuality Knowledge Graph with Implicit Logical Constraints
HKUST（香港科技大学）；Amazon.com Inc（亚马逊公司）
本文针对事件性知识图谱提出CEQA任务和MEQE方法，通过引入事件发生与顺序的隐式逻辑约束，并利用定理证明器构建基准，显著提升复杂逻辑查询回答性能。
2023-10-27 cs.CL cs.LO
Query2Particles: Knowledge Graph Reasoning with Particle Embeddings
HKUST（香港科技大学）；Tencent AI Lab（腾讯人工智能实验室）
在缺失边的不完备知识图上进行复杂的逻辑查询是知识图谱推理的一个基本而重要的任务。查询嵌入方法通过将查询和实体联合编码到同一个嵌入空间来回答这些查询。然后根据实体嵌入与查询嵌入的相似度选择答案实体。由于复杂查询的答案是从子查询上的逻辑运算的组合中获得的，因此答案实体的嵌入可能并不总是遵循嵌入空间中的单峰分布。因此，它是具有挑战性的同时检索一组不同的答案从嵌入空间使用一个单一的和集中的查询表示，如向量或超矩形。为了更好地应对查询的多样化的答案，我们提出了Query 2 Particles（Q2 P），一个复杂的KG查询回答方法。Q2 P将每个查询编码为多个向量，称为粒子嵌入。通过这样做，可以使用实体嵌入和任何粒子嵌入之间的最大相似性从嵌入空间上的不同区域检索候选答案。同时，定义了相应的神经逻辑运算，以支持其对任意一阶逻辑查询的推理。实验结果表明，Query 2 Particles在FB 15 k、FB 15 K-237和NELL知识图谱上的复杂查询应答任务上达到了最先进的性能。
2022-04-27 cs.CL
CIFQA: A Deterministic Tool-Grounded Multi-Agent LLM Framework for Financial Query Answering
School of Artificial Intelligence and Data Science, Indian Institute of Technology Jodhpur（印度理工学院焦特布尔分校人工智能与数据科学学院）
本研究针对LLM多步骤金融计算易出错的问题，提出CIFQA多智能体框架，在定期存款查询基准上准确率达95.54%，且17B开源模型在该框架内表现优于更大前沿模型，证明架构设计对数值可靠性更关键。
2026-08-28 cs.AI cs.CL q-fin.CP
Transformers for Complex Query Answering over Knowledge Hypergraphs
CSE, HKUST, HKSAR, China（计算机科学与工程系，香港科技大学，香港特别行政区，中国）
针对知识超图上的复杂查询回答，提出两阶段Transformer模型LKHGT，结合投影与逻辑编码器及类型感知偏置，在CQA数据集上达到最先进性能并泛化至分布外查询。
2025-04-23 cs.AI cs.CL
Contextual Graph Attention for Answering Logical Queries over Incomplete Knowledge Graphs
UCSB（加州大学圣巴巴拉分校）；SayMosaic Inc.（赛摩赛克公司）
最近，一些研究探索了使用KG嵌入来回答逻辑查询的方法。这些方法要么将嵌入学习和查询应答视为两个独立的学习任务，要么无法处理来自不同查询路径的贡献的可变性。我们提出利用图注意力机制来处理不同查询路径的不平等贡献。然而，通常使用的图注意力假设提供了中心节点嵌入，这在该任务中是不可用的，因为中心节点是要预测的。针对这一问题，提出了一种基于多头注意力的端到端逻辑查询应答模型--上下文图注意力模型（CGA），该模型使用初始邻域聚合层生成中心嵌入，并在原始KG结构和采样的查询-应答对上对整个模型进行联合训练。我们还介绍了两个新的数据集，DB 18和WikiGeo 19，这是相当大的规模相比，现有的数据集，并包含更多的关系类型，并使用它们来评估所提出的模型的性能。我们的结果表明，所提出的CGA具有较少的可学习参数，在两个数据集以及Bio数据集上的性能始终优于基线模型。
2019-09-30 cs.AI cs.CL cs.LG
