Q${}^2$Forge: Minting Competency Questions and SPARQL Queries for Question-Answering Over Knowledge Graphs
Univ. Côte d'Azur（普罗旺斯大学）；Inria（法国国家科学研究中心）；ICN（信息与通信网络研究所）；I3S（信息科学与系统研究所）；CNRS（法国国家科学研究中心）
Q²Forge通过生成知识图谱的胜任问题和对应的SPARQL查询，解决非专家用户生成高质量查询的挑战，提供开放源代码的模块化解决方案。
2025-12-12 cs.AI cs.DB cs.IR
Reducing the impact of out of vocabulary words in the translation of natural language questions into SPARQL queries
University of Calabria（卡拉布里亚大学）
对于不熟悉SPARQL查询语言的用户来说，公共知识库中的大量可用信息可能很复杂。SPARQL中自然语言问题的自动翻译有可能克服这个问题。现有的基于神经机器翻译的系统非常有效，但在识别训练集的词汇表之外（OOV）的单词时容易失败。在查询大型本体时，这是一个严重的问题。在本文中，我们结合命名实体链接，命名实体识别，神经机器翻译执行自动翻译的自然语言的问题到SPARQL查询。我们通过在Monument、QALD-9和LC-QuAD v1上运行实验，证明了我们的方法比现有方法对OOV词更有效和更有弹性，这些数据集是DBpedia上问答的知名数据集。
2021-11-04 cs.CL cs.IR cs.LG
RuBQ: A Russian Dataset for Question Answering over Wikidata
ITMO University（ITMO大学）；JetBrains Research（JetBrains研究院）；Ural Federal University（乌拉尔联邦大学）
介绍了第一个俄语知识库问答（KBQA）数据集RuBQ。高质量的数据集包括1，500个不同复杂度的俄语问题，它们的英语机器翻译，对维基数据的SPARQL查询，参考答案，以及包含俄语标签实体的三元组的维基数据样本。数据集的创建始于在线测验中的大量问答对。这些数据经过自动过滤、群体辅助实体链接、自动生成SPARQL查询以及随后的内部验证。
2020-05-21 cs.CL
SPARQL as a Foreign Language
Liber AI Research（莱伯人工智能研究院）；University of Leipzig（莱比锡大学）；HTWK Leipzig（莱比锡应用技术大学）；University of Bonn（波恩大学）
在过去的几年里，关联数据云已经实现了超过1000亿个与多个领域相关的事实的规模。然而，访问这些信息对非专业用户来说是一个巨大的挑战。解决问题的方法，如关于关联数据的问答和链接发现，在增加信息获取方面发挥了重要作用。这些方法通常基于手工制作的和/或从数据观察中得出的统计模型。最近，基于称为seq 2seq的神经网络的深度学习架构已经显示出在将序列转换为序列方面实现了最先进的结果。在这个方向上，我们提出了神经SPARQL机器，这是一种端到端的深度架构，可以将任何自然语言表达式翻译成编码SPARQL查询的句子。我们的初步结果，仅限于选定的DBpedia类，表明神经SPARQL机是一个很有前途的方法问答的关联数据，因为它们可以处理已知的问题，如词汇不匹配和执行图形模式组成。
2020-05-05 cs.CL cs.DB
NLQxform: A Language Model-based Question to SPARQL Transformer
University of Zurich（苏黎世大学）
针对学术知识图谱查询难题，提出NLQxform系统，利用BART模型将自然语言问题转换为SPARQL查询，在DBLP-QUAD任务上以F1=0.85排名第一。
2023-11-08 cs.AI cs.CL
Increasing the LLM Accuracy for Question Answering: Ontologies to the Rescue!
data.world AI Lab（data.world AI实验室）
针对Text-to-SPARQL问答中LLM生成错误路径查询的问题，提出OBQC本体语义检查与LLM修复相结合的方法，将基准准确率提升至72%、错误率降至20%。
2024-05-20 cs.AI cs.DB cs.IR
GRISP: Guided Recurrent IRI Selection over SPARQL Skeletons
University of Freiburg（弗赖堡大学）
GRISP通过微调小型语言模型生成SPARQL骨架并迭代替换占位符，提升知识图谱问答性能，在Wikidata和Freebase基准测试中优于现有方法。
2026-07-28 cs.CL
SPARQL Query Generation with LLMs: Measuring the Impact of Training Data Memorization and Knowledge Injection
img/wse-cube-no-shadow.png Web \& Software Engineering (WSE) Research Group, Leipzig University of Applied Sciences (HTWK Leipzig), Leipzig, Germany CBZ München GmbH, Heilbronn, Germany
本文提出一种通过零样本、知识注入和匿名化知识注入三种条件生成SPARQL查询来评估大语言模型质量的方法，首次衡量训练数据记忆对问答性能的影响，该方法可移植且适用于任意知识图谱。
2025-07-18 cs.AI cs.CL cs.IR
AMUSE: Multilingual Semantic Parsing for Question Answering over Linked Data
Bielefeld University（比勒费尔德大学）
在RDF数据上回答自然语言问题的任务近年来受到了广泛的关注，特别是在一系列QALD基准的背景下。该任务包括将自然语言问题映射到可执行形式，例如SPARQL，以便可以从给定的KB中提取答案。到目前为止，提出的大多数系统都是i）单语的，ii）依赖于一组硬编码的规则来解释问题并将其映射到SPARQL查询中。我们提出了第一个多语言QALD管道，该管道从训练数据中导出一个模型，用于将自然语言问题映射为逻辑形式作为概率推理。特别是，我们的方法学会了映射通用的句法依赖表示的语言独立的逻辑形式的基础上DUDES（依赖性为基础的未充分指定的话语表示结构），然后映射到SPARQL查询作为确定性的第二步。我们的模型建立在依赖于从依赖图和相应的语义表示中提取的特征的因子图上。我们依靠近似推理技术，特别是马尔可夫链蒙特卡罗方法，以及样本排名使用排名目标更新参数。我们的重点在于开发的方法，克服词汇差距，并提出了一种新的组合机器翻译和词嵌入的方法，为此目的。作为我们方法的概念证明，我们在英语，德语和西班牙语的QALD-6数据集上评估了我们的方法。
2018-02-26 cs.AI cs.CL
Exploring Sequence-to-Sequence Models for SPARQL Pattern Composition
Liber AI Research（利伯人工智能研究机构）；University of Leipzig（莱比锡大学）；AKSW（莱比锡大学应用信息学与正式描述方法研究所）；Leipzig University of Applied Sciences（莱比锡应用科学大学）
大量的信息以结构化和非结构化数据的形式不断添加到互联网中，为DBpedia和Wikidata等知识库提供了数十亿条描述数百万实体的语句。问答系统的目的是允许外行用户使用自然语言访问这样的数据，而不需要编写正式的查询。然而，用户经常提交复杂的问题，需要一定程度的抽象和推理来将它们分解为基本的图形模式。在这篇简短的论文中，我们探索了使用基于神经机器翻译的架构（称为神经SPARQL机器）来学习模式组合。我们表明，序列到序列模型是一个可行的和有前途的选择，转换成复杂的SPARQL查询长的话语。
2020-10-21 cs.AI cs.CL cs.DB
Question Answering for Complex Electronic Health Records Database using Unified Encoder-Decoder Architecture
KAIST（韩国科学技术院）
基于电子健康记录（EHR-QA）回答人类问题的智能机器具有很大的实用价值，例如支持临床决策，管理医院管理和医疗聊天机器人。以往基于表的QA研究侧重于将自然问题转换为表查询（NLQ 2SQL），然而，由于复杂和专业的医学术语，EHR数据的独特性，因此增加了解码难度。在本文中，我们设计了UniQA，一个统一的编码器-解码器架构的EHR-QA的自然语言的问题转换为查询，如SQL或SPARQL。我们还提出了输入屏蔽（IM），这是一种简单有效的方法，可以处理复杂的医学术语和各种错别字，并更好地学习SQL/SPARQL语法。通过将统一架构与有效的辅助训练目标相结合，UniQA与EHR领域中最复杂的NLQ 2SQL数据集MIMICSQL*（14.2%的增益）及其拼写错误版本（约28.8%的增益）相比，表现出了显著的性能提升。此外，我们确认了基于图形的EHR-QA数据集MIMICSPARQL* 的一致结果。
2021-11-14 cs.AI cs.CL cs.LG
A Universal Question-Answering Platform for Knowledge Graphs
Concordia University（康考迪亚大学）；KAUST（阿卜杜拉国王科技大学）
本文提出通用问答系统 KGQAn，通过神经序列到序列模型将自然语言问题转换为中间抽象表示，并利用即时链接器在查询时映射到特定知识图谱的 SPARQL 查询，无需预处理即可在多个真实知识图谱上大幅超越现有方法。
2023-08-08 cs.AI cs.CL cs.DB
Learning to Transpile AMR into SPARQL
IBM Research AI（IBM研究院人工智能部门）
我们提出了一个基于转换的系统，翻译抽象意义表示（AMR）到SPARQL的知识库问答（KBQA）。这允许我们将部分语义表示委托给一个经过严格预训练的语义解析器，同时学习使用少量配对数据的翻译。我们离开最近的工作有关AMR和SPARQL结构，但不是应用一组规则，我们教一个BART模型选择性地使用这些关系。此外，我们避免显式编码AMR，而是在BART的注意力机制中编码解析器状态，遵循最近的语义解析工作。由此产生的模型很简单，为其决策提供了支持文本，并且在两个知识库中优于KBQA中的最新方法：DBPedia（LC-QuAD 1.0，QALD-9）和Wikidata（WebQSP，SWQ-WD）。
2022-12-09 cs.CL
Spider4SPARQL: A Complex Benchmark for Evaluating Knowledge Graph Question Answering Systems
Zurich University of Applied Sciences（苏黎世应用科技大学）；University of Fribourg（弗里堡大学）
本文提出Spider4SPARQL，一个包含9,693个自然语言问题和4,721个复杂SPARQL查询的新基准，覆盖138个领域，用于评估知识图谱问答系统，现有系统最高仅达45%执行准确率。
2023-12-08 cs.CL
SAGA: Schema-Aware Grounding for Agentic Text-to-SPARQL Generation
研究复杂知识库问答中语义解析范式，针对现有智能体类型盲基础问题，提出无训练框架SAGA，通过模式约束基础操作，维护类型状态，过滤候选属性，以紧凑格式呈现图模式，在多基准设置上取得优异成绩。
2026-07-17 cs.AI cs.IR cs.LG
Multi-Module System for Open Domain Chinese Question Answering over Knowledge Base
Ping An Life Insurance of China（中国平安人寿保险股份有限公司）；Fudan University（复旦大学）
针对CCKS2019开放领域基于知识的问答任务，提出了一种结合信息检索和语义解析的方法。这个多模块系统从一个问题中提取主题实体和最相关的关系谓词，并将其转换为一个Sparql查询语句。我们的方法在测试数据上获得了70.45%的F1分数。
2019-10-28 cs.CL
Ontology-Guided, Hybrid Prompt Learning for Generalization in Knowledge Graph Question Answering
University of Hamburg（汉堡大学）；Leuphana University Lüneburg（吕讷堡勒法纳大学）；Institute for Information Systems（信息系统研究所）
本文提出 OntoSCPrompt，通过两阶段架构与本体引导的混合提示学习，使基于大语言模型的知识图谱问答系统无需重新训练即可泛化到未见知识图谱，并在多个数据集上达到 SOTA 水平。
2025-02-06 cs.AI cs.CL
From Graph Retrieval to Schema Realization: Counterfactual Validation for Text-to-SPARQL over Heterogeneous Knowledge Graphs
University of Bristol（布里斯托大学）
提出SchemaForge框架，通过问题条件化的模式切片对齐和反事实验证，在异构知识图谱上提升文本到SPARQL查询生成的执行准确率。
2026-06-03 cs.AI cs.CL
DeSQ: Decomposition-based SPARQL Query Generation
LAMA-WeST；Mila – Quebec AI Institute（魁北克AI研究所）；Polytechnique Montréal（蒙特利尔理工学院）
提出DeSQ框架，通过将复杂问题分解为原子约束并映射为SPARQL片段，再组装成完整查询，在五个基准测试中四个超越现有方法，并增强鲁棒性和可解释性。
2026-05-29 cs.CL
MST5 -- Multilingual Question Answering over Knowledge Graphs
Universität Paderborn（帕德博恩大学）
针对多语言知识图谱问答中SPARQL生成性能不足的问题，提出用单个多语言transformer统一融合语言上下文与实体信息的方法，并在QALD及新增中日语言上验证有效。
2024-07-08 cs.CL
DBLP-QuAD: A Question Answering Dataset over the DBLP Scholarly Knowledge Graph
Universität Hamburg（汉堡大学）
在这项工作中，我们创建了一个问答数据集的DBLP学术知识图谱（KG）。DBLP是一个在线参考书目信息的主要计算机科学出版物，索引超过440万出版物出版的220多万作者。我们的数据集由10，000个问题答案对和相应的SPARQL查询组成，这些查询可以在DBLP KG上执行以获取正确的答案。DBLP-QuAD是最大的学术问答数据集。
2023-03-29 cs.CL cs.DL
PeCoQ: A Dataset for Persian Complex Question Answering over Knowledge Graph
Shahid Beheshti University（沙希德·贝赫什提大学）
问答系统可以从非结构化文本或诸如知识图谱的结构化数据中找到用户问题的答案。使用包括深度学习模型的监督学习方法来解决问题需要大量的训练数据集。近年来，一些数据集已经被提出用于知识图谱上的问答任务，这是本文的重点。虽然有许多英文数据集被提出，但也有一些波斯语的问答数据集。本文介绍了一个用于波斯语问答的数据集\textit{PeCoQ}。该数据集包含从波斯语知识图谱FarsBase中提取的10，000个复杂问题和答案。对于每个问题，SPARQL查询和两个由语言学家编写的释义也提供了。数据集中存在不同类型的复杂性，例如多关系、多实体、顺序和时间约束。在本文中，我们讨论了数据集的特点，并描述了我们的方法来建立它。
2021-06-27 cs.AI cs.CL
Semantic Web Enabled Geographic Question Answering Framework: GeoTR
Yaşar University（亚沙尔大学）；Ege University（爱琴大学）
随着关联数据的大量增长，研究人员一直关注如何提高语义Web技术的可用性，为现实生活中的系统提供实际用途。问答系统是直接与终端用户通信、理解用户意图并生成答案的现实生活系统的示例。最终用户不关心出现问题的结构化查询语言或知识库的词汇表。在这项研究中，提出了一个问答框架，土耳其自然语言输入到SPARQL查询的地理域。此外，一个新的土耳其本体，其中包括一个10年级的地理课命名为空间合成土耳其，已被开发用于作为一个链接的数据提供商。此外，土耳其的问答系统，它利用地理域中的关联数据的文献中的差距，得到解决。一个混合系统架构，结合自然语言处理技术与链接数据技术，以产生答案。提出了进一步的相关研究领域。
2023-01-11 cs.AI cs.CL
Text-to-SPARQL Generation with Reinforcement Learning: A GRPO-based Approach on DBLP
本文研究了在学术领域中，基于强化学习的零样本文本到SPARQL生成方法，通过GRPO算法在DBLP-QuAD上训练小型指令微调语言模型，并与监督学习的DoRA微调基线进行比较。
2026-09-14 cs.CL
A Method for Multi-Hop Question Answering on Persian Knowledge Graph
Iran University of Science and Technology（伊朗科技大学）
针对波斯语知识图谱多跳复杂问答的挑战，本研究构建了5,600个波斯语多跳问题数据集，训练波斯语模型并提出问答架构，在PeCoQ数据集上F1分数和准确率较最佳可比方法分别提升12.57%和12.06%。
2025-01-18 cs.AI cs.CL cs.IR
FIRESPARQL: A LLM-based Framework for SPARQL Query Generation over Scholarly Knowledge Graphs
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
针对学术知识图谱问答中LLM生成SPARQL查询存在的结构与语义错误，提出模块化框架FIRESPARQL，结合微调LLM、RAG与查询校正层，在SciQA基准上微调配置取得0.90 ROUGE-L和0.85 RelaxedEM的最佳性能。
2025-08-14 cs.AI cs.DL
Knowledge Graph - Deep Learning: A Case Study in Question Answering in Aviation Safety Domain
IIT Bombay（印度理工学院孟买分校）；Honeywell（霍尼韦尔）；IIT Patna（印度理工学院巴特那分校）
在商业航空领域，有大量的文件，如事故报告（NTSB，ASRS）和监管指令（AD）。需要一个系统来有效地访问这些不同的存储库，以满足航空业的需求，如维护，合规性和安全性。在本文中，我们提出了一个知识图谱（KG）引导的基于深度学习（DL）的问答（QA）系统，用于航空安全。我们从飞机事故报告中构建知识图谱，并将此资源贡献给研究人员社区。该资源的有效性通过上述QA系统进行了测试和证明。由上述文档构造的自然语言查询被转换成SPARQL（RDF图数据库的接口语言）查询并被应答。在DL方面，我们有两种不同的QA模型：（i）BERT QA，它是段落检索（基于句子BERT）和问答（基于BERT）的管道，以及（ii）最近发布的GPT-3。我们评估我们的系统上的一组查询创建的事故报告。我们的组合QA系统的准确性比GPT-3提高了9.3%，比BERT QA提高了40.3%。因此，我们推断KG-DL比单独使用更好。
2022-06-09 cs.AI cs.CL cs.LG
Uncertainty-Aware Text-to-Program for Question Answering on Structured Electronic Health Records
KAIST（韩国科学技术院）
电子健康档案的问答（EHR-QA）对医疗保健领域有着重要的影响，目前正在积极研究。以往的结构化EHR-QA研究主要集中在将自然语言查询转换为SQL或SPARQL（NLQ 2 Query）等查询语言，因此问题范围仅限于特定查询语言预先定义的数据类型。为了扩展EHR-QA任务，超越这一限制，以处理多模态医疗数据和解决复杂的推理，在未来，更原始的系统语言是必要的。在本文中，我们设计了基于程序的模型（NLQ 2 Program）的EHR-QA的第一步走向未来的方向。我们通过基于程序的方法以半监督的方式处理MIMICSPARQL*（基于图形的EHR-QA数据集），以克服缺乏黄金程序的问题。如果没有黄金计划，我们提出的模型显示出与以前的最先进模型相当的性能，这是一个NLQ 2 Query模型（0.9%的增益）。此外，对于一个可靠的EHR-QA模型，我们应用不确定性分解方法来衡量输入问题中的歧义。我们的经验证实，数据的不确定性是最表明在输入问题的模糊性。
2022-04-15 cs.AI cs.CL cs.LG
End-to-End Learning for Answering Structured Queries Directly over Text
University of Amsterdam（阿姆斯特丹大学）；Elsevier（爱思唯尔）
用语言（如SQL、SPARQL或XQuery）表达的结构化查询为用户提供了一种方便而明确的方式来表达他们对许多任务的信息需求。在这项工作中，我们提出了一种方法来回答这些直接在文本数据，而不存储在数据库中的结果。我们特别关注知识库的情况，其中查询是在实体和它们之间的关系。我们的方法结合了分布式查询回答（例如三重模式片段）与模型建立提取问答。重要的是，通过应用分布式查询应答，我们能够简化模型学习问题。我们为维基数据中的大部分（572）关系训练训练模型，并在所有模型中实现平均0.70 F1测量。我们还提出了一个系统的方法来构建必要的训练数据，这个任务从知识图谱，并描述了一个原型实现。
2018-11-16 cs.CL
A Chinese Multi-type Complex Questions Answering Dataset over Wikidata
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）
复杂知识库问答是近十年来的一个热门研究领域。最近的公共数据集在这一领域取得了令人鼓舞的成果，但大多数仅限于英语，只涉及少量的问题类型和关系，阻碍了在更现实的环境和英语以外的语言中的研究。此外，很少有最先进的KBQA模型是在Wikidata上训练的，Wikidata是最流行的现实世界知识库之一。我们提出了CLC-QuAD，第一个大规模复杂的中文语义解析数据集维基数据，以解决这些挑战。结合该数据集，我们提出了一个文本到SPARQL的基线模型，该模型以维基数据为背景知识，可以有效地回答事实问题、双重意图问题、布尔问题和计数问题等多种类型的复杂问题。最后，我们分析了SOTA KBQA模型在该数据集上的性能，并确定了中国KBQA面临的挑战。
2021-11-11 cs.AI cs.CL cs.DB
Towards LLM-generated explanations for Component-based Knowledge Graph Question Answering Systems
HTWK Leipzig（莱比锡应用技术大学）；DATEV eG（DATEV信用合作社）
针对基于组件的知识图谱问答系统决策难解释的问题，提出利用组件数据流并结合LLMs生成解释的方法，实验显示其解释质量优于模板方法，可帮助理解系统行为与决策。
2025-08-20 cs.AI cs.SE
Knowledge Authoring and Question Answering with KALM
Stony Brook University（石溪大学）
知识表示与推理（KRR）是人工智能（AI）领域的一个重要研究方向。它旨在用形式语言（例如，Prolog，SPARQL），然后增强专家系统以执行查询和推理任务。目前，构建高质量的大规模知识库（KBs）的事实是，建设过程中需要大量的合格的知识工程师，不仅了解特定领域的知识，但也有足够的技能，在知识表示。不幸的是，合格的知识工程师供不应求。因此，构建一个允许用户简单地通过文本构造和查询知识库的工具是非常有用的。虽然有许多系统开发的知识提取和问答，他们主要失败的是，这些系统没有达到足够高的准确性，而KRR是高度敏感的错误数据。在这篇论文中，我将介绍知识创作逻辑机（KALM），一个基于规则的系统，它允许用户创作知识和查询文本中的知识库。实验结果表明，KALM实现了卓越的准确性，知识创作和问答相比，国家的最先进的系统。
2019-09-18 cs.AI cs.CL
Ontology-based question answering over corporate structured data
TriniData LLC（TriniData 有限责任公司）
基于本体的自然语言理解（NLU）处理方法可以提高对话系统的问答质量。我们描述了我们的NLU引擎架构，并评估其实现。该引擎将用户输入转换成SPARQL SELECT、ASK或SPARQL查询，该SPARQL查询由基于本体的数据虚拟化平台提供的知识图谱。该转换基于根据Ontolex本体构建的知识图谱的词汇级。所描述的方法可以应用于图形数据填充任务和问答系统实现，包括聊天机器人。我们描述了一个聊天机器人的对话引擎，它可以保持对话上下文，并提出澄清问题，模拟人类逻辑思维的某些方面。我们的方法使用基于图的算法来避免收集基于神经网络的方法所需的数据集，并为我们的模型提供更好的可解释性。结合公司数据源上的数据虚拟化层使用问答引擎允许从结构化数据中提取事实以用于对话。
2021-11-08 cs.CL cs.SE
Semantic Parsing for Conversational Question Answering over Knowledge Graphs
University of Edinburgh（爱丁堡大学）；Amazon Alexa（亚马逊Alexa）
在本文中，我们感兴趣的是开发语义解析器，理解嵌入在与用户的对话中的自然语言问题，并将其置于具有非常大的词汇量（涵盖数千个概念名称和关系，以及数百万个实体）的通用知识图谱（KG）中的定义上的正式查询。为此，我们开发了一个数据集，其中用户问题用Sparql解析进行注释，系统答案对应于其执行结果。我们提出了两种不同的语义解析方法，并强调了任务的挑战：处理大词汇，建模会话上下文，预测查询与多个实体，并概括到新的问题在测试时。我们希望我们的数据集将作为对话式语义解析器开发的有用测试平台。我们的数据集和模型发布在https://github.com/EdinburghNLP/SPICE。
2023-01-28 cs.CL
A Benchmark for Generalizable and Interpretable Temporal Question Answering over Knowledge Bases
IBM Research（IBM研究院）
涉及复杂推理的知识库问答（KBQA）任务正在成为一个重要的研究方向。然而，大多数现有的KBQA数据集主要集中在显式事实上的通用多跳推理，在很大程度上忽略了其他推理类型，如时间，空间和分类推理。在本文中，我们提出了一个基准数据集的时间推理，TempQA-WD，鼓励研究扩展目前的方法，以针对一组更具挑战性的复杂推理任务。具体来说，我们的基准是一个时间问答数据集，具有以下优点：（a）它是基于维基数据，这是最经常策划，公开可用的知识库，（b）它包括中间sparql查询，以促进评估基于语义解析的KBQA方法，（c）它概括到多个知识库：Freebase和维基数据。TempQA-WD数据集可在https://github.com/IBM/tempqa-wd上获得。
2022-01-15 cs.AI cs.CL
GETT-QA: Graph Embedding based T2T Transformer for Knowledge Graph Question Answering
Universität Hamburg（汉堡大学）；Indian Institute of Technology (BHU)（印度理工学院（瓦拉纳西））
在这项工作中，我们提出了一个端到端的知识图谱问答（KGQA）系统命名为GETT-QA。GETT-QA使用T5，一种流行的文本到文本预训练语言模型。该模型以自然语言中的问题作为输入，并生成预期SPARQL查询的更简单形式。在更简单的形式中，模型不直接产生实体和关系ID。相反，它会生成相应的实体和关系标签。在后续步骤中，标签被接地到KG实体和关系ID。为了进一步改进结果，我们指示模型为每个实体生成KG嵌入的截断版本。截断的KG嵌入实现了用于消歧目的的更精细的搜索。我们发现T5能够在不改变损失函数的情况下学习截断的KG嵌入，从而提高了KGQA的性能。因此，我们报告了LC-QuAD 2.0和SimpleObservs-Wikidata数据集在端到端KGQA上的强大结果。
2023-03-28 cs.CL cs.DB cs.IR
Knowledge Graph Question Answering using Graph-Pattern Isomorphism
Paderborn University（帕德博恩大学）；Fraunhofer IAIS（弗劳恩霍夫智能分析与信息系统研究所）；Universität Hamburg（汉堡大学）；Globo（环球集团）
知识图谱问答（KGQA）系统基于机器学习算法，需要数千个问答对作为训练样本或需要模块微调的自然语言处理管道。在本文中，我们提出了一种新的QA方法，称为TeBaQA。我们的方法学习回答问题的基础上，从SPARQL查询的基本图形模式的图同构。学习基本图形模式是有效的，因为可能的模式数量很少。这种新颖的范例减少了实现最先进性能所需的训练数据量。TeBaQA还通过将QA系统开发任务转换为更小且更容易的数据编译任务来加快域适应过程。在我们的评估中，TeBaQA在QALD-8上实现了最先进的性能，并在QALD-9和LC-QuAD v1上提供了相当的结果。此外，我们对处理聚合和最高级问题的复杂查询以及消融研究进行了细粒度评估，突出了未来的研究挑战。
2022-02-02 cs.AI cs.CL
QALD-9-plus: A Multilingual Dataset for Question Answering over DBpedia and Wikidata Translated by Native Speakers
Anhalt University of Applied Sciences（安哈尔特应用科学大学）；Laboratoire Hubert Curien CNRS UMR 5516 Université de Lyon（里昂大学于贝尔·居里安实验室（CNRS UMR 5516））；University of Hamburg（汉堡大学）
不同用户组具有相同体验的能力（即，可访问性）是基于Web的系统的最重要的特征之一。对于通过自然语言接口提供对语义Web数据的访问的知识图谱问答（KGQA）系统也是如此。在遵循我们关于KGQA系统可访问性的多语言方面的研究议程的同时，我们确定了几个持续的挑战。其中之一是缺乏多语言KGQA基准。在这项工作中，我们扩展了最流行的KGQA基准之一- QALD-9，通过引入高质量的问题翻译到母语人士提供的8种语言，并将QALD-9的SPARQL查询从DBpedia转移到Wikidata，s.t.，数据集的可用性和相关性大大增加。其中五种语言-亚美尼亚语，乌克兰语，立陶宛语，巴什基尔语和白俄罗斯语-据我们所知，KGQA研究界以前从未考虑过。后两种语言被联合国教科文组织列为“濒危”语言。我们将扩展数据集称为QALD-9-plus，并在https://github.com/Perevalov/qald_9_plus上提供。
2022-02-07 cs.CL cs.IR
Towards a Question Answering System over the Semantic Web
Université de Lyon（里昂大学）；CNRS UMR 5516 Laboratoire Hubert Curien（法国国家科学研究中心UMR 5516于贝尔·居里安实验室）；DATEV eG（达特夫合作社）
由于语义Web的发展，大量新的结构化数据以知识库（KB）的形式出现在Web上。使这些有价值的数据可供最终用户访问和使用是基于知识库的问答（QA）的主要目标之一。大多数当前的QA系统以一种语言（即英语）查询一个KB。现有的方法并不是设计成容易适应新的知识库和语言。我们首先介绍了一种新的方法，用于将自然语言问题转换为SPARQL查询。它能够同时以不同的语言查询多个知识库，并且可以很容易地移植到其他知识库和语言。在我们的评估中，我们的方法的影响被证明使用5个不同的知名和大型知识库：Wikidata，DBpedia，MusicBrainz，DBLP和Freebase以及5种不同的语言，即英语，德语，法语，意大利语和西班牙语。其次，我们展示了我们如何整合我们的方法，使其易于访问的研究社区和最终用户。总之，我们提供了一个概念性的解决方案，多语言，知识库无关的问答语义Web。所提供的第一近似值验证了这一概念。
2018-03-02 cs.AI cs.CL
Understanding and Improving Zero-shot Multi-hop Reasoning in Generative Question Answering
Carnegie Mellon University（卡内基梅隆大学）；Bosch Research（博世研究院）；Amazon（亚马逊）
生成式问答（QA）模型生成问题的答案，或者仅仅基于模型的参数（闭卷设置），或者另外检索相关证据（开卷设置）。生成式QA模型可以回答一些相对复杂的问题，但它们这样做的机制仍然知之甚少。我们进行了几项研究，旨在更好地了解多跳推理能力的生成QA模型。首先，我们将多跳问题分解为多个相应的单跳问题，并发现QA模型在这些表面上相同的问题链上的答案明显不一致。其次，我们发现模型缺乏zero-shot多跳推理能力：当只在单跳问题上训练时，模型对多跳问题的泛化能力很差。最后，我们证明了通过两种方法来提高模型的zero-shot多跳推理能力是可能的，这两种方法通过对单跳问题的串联或逻辑形式（SPARQL）进行训练来近似真实的多跳自然语言（NL）问题。总之，这些结果表明，多跳推理不会在生成式QA模型中自然出现，但可以通过训练或建模技术的进步来鼓励。
2022-10-09 cs.CL
RAGONITE: Iterative Retrieval on Induced Databases and Verbalized RDF for Conversational QA over KGs with RAG
Fraunhofer Institute for Integrated Circuits IIS（弗劳恩霍夫集成电路研究所）
RAGONITE提出一种双通道迭代检索框架，融合SQL查询与文本搜索，并结合RAG由LLM生成回答，在BMW汽车知识图谱上优于多个基线。
2024-12-25 cs.CL cs.IR
Multi-hop Question Answering over Knowledge Graphs using Large Language Models
Microsoft（微软公司）
本文评估了大型语言模型在多跳知识图谱问答中的能力，针对不同规模和性质的知识图谱提出相应的信息提取与输入策略，并在六个知识图谱上验证了信息检索和语义解析方法均可与LLM结合取得有竞争力的效果。
2024-04-30 cs.AI cs.CL cs.DB
KQA Pro: A Dataset with Explicit Compositional Programs for Complex Question Answering over Knowledge Base
Tsinghua University（清华大学）；National University of Singapore（新加坡国立大学）；ETH Zürich（苏黎世联邦理工学院）；Noah’s Ark Lab, Huawei Technologies（华为技术有限公司诺亚方舟实验室）；Nanyang Technological University（南洋理工大学）；Cloud BU, Huawei Technologies（华为技术有限公司云业务部）
基于知识库的复杂问答（Complex KBQA）是一个具有挑战性的问题，因为它需要多种组合推理能力，如多跳推理、属性比较、集合运算等。现有的基准测试存在以下不足：1）只提供问答对，没有明确的推理过程; 2）问题的多样性和规模性较差。为此，我们介绍了KQA Pro，这是一个用于复杂KBQA的数据集，包括约12万个不同的自然语言问题。我们引入了一个组合和可解释的程序设计语言KoPL来表示复杂问题的推理过程。对于每个问题，我们提供了相应的KoPL程序和SPARQL查询，使KQA Pro服务于KBQA和语义解析任务。实验结果表明，SOTA KBQA方法不能在KQA Pro上取得有希望的结果，这表明KQA Pro具有挑战性，复杂KBQA需要进一步的研究工作。我们还将KQA Pro视为测试多种推理技能的诊断数据集，对现有模型进行全面评估，并讨论复杂KBQA的进一步方向。我们的代码和数据集可以从https://github.com/shijx12/KQAPro_Baselines获得。
2022-06-23 cs.CL
Schema Matching on Graph: Iterative Graph Exploration for Efficient and Explainable Data Integration
SMoG通过迭代执行简单1跳SPARQL查询，实现高效且可解释的图谱匹配，适用于医疗数据整合。
2025-12-01 cs.AI
The Wikidata Query Logs Dataset
University of Freiburg（弗赖堡大学）；University of Freiburg Department of Computer Science（弗赖堡大学计算机科学系）
本文提出了一个包含335,000个问题-查询对的Wikidata查询日志（WDQL）数据集，该数据集通过真实世界中的SPARQL查询构建，无需模板生成查询，且规模是现有类似数据集的11倍多。通过代理方法去匿名化、清理和验证查询，生成对应的自然语言问题，用于训练问答方法。
2026-05-19 cs.CL
The Reasoning Bottleneck in Graph-RAG: Structured Prompting and Context Compression for Multi-Hop QA
University of Victoria（维多利亚大学）；Santa Clara University（圣克拉拉大学）
图式推理瓶颈：本文提出结构化提示和上下文压缩方法，通过SPARQL链式思考提示和图遍历压缩提升多跳问答准确性，验证其在不同Graph-RAG系统中的有效性。
2026-03-18 cs.CL cs.IR
Neural Machine Translation for Query Construction and Composition
University of Leipzig（莱比锡大学）；Bonn University（波恩大学）
最近，对具有知识库的问答的研究越来越多地使用深度架构。在这个扩展的摘要中，我们研究了神经机器翻译范式在问题解析中的应用。我们采用序列到序列模型来学习SPARQL图查询语言中的图模式及其组合。我们期望采用半监督方法，而不是通过问答对来诱导程序，其中问题和查询之间的对齐是通过模板建立的。我们认为，语言话语的覆盖面可以扩大使用后期著名的作品在自然语言生成。
2018-07-09 cs.AI cs.CL cs.DB
PAT-Questions: A Self-Updating Benchmark for Present-Anchored Temporal Question-Answering
University of California, Riverside（加州大学河滨分校）
本文提出了当前锚定时间问答（PATQA）的自更新基准PAT-Questions，支持通过SPARQL查询自动刷新答案，评估了多个LLM和SOTA模型，揭示了现有方法在处理相对当前时间问题上的局限性。
2024-06-03 cs.CL
DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Salesforce Research（赛富时研究院）；Huazhong University of Science and Technology（华中科技大学）
本文提出DIVKNOWQA基准，评估大语言模型在知识库与文本异构知识源上的双跳多源推理能力，并引入结合文本检索与符号语言辅助检索的新方法，显著超越以往方法。
2023-10-31 cs.CL
FlexKBQA: A Flexible LLM-Powered Framework for Few-Shot Knowledge Base Question Answering
Tsinghua University（清华大学）；The Ohio State University（俄亥俄州立大学）；University of Chinese Academy of Sciences（中国科学院大学）；Shandong University（山东大学）
针对少样本知识库问答标注数据不足的问题，提出FlexKBQA框架，通过LLM生成合成数据训练轻量模型，结合执行引导自训练缓解分布偏移，在少样本/零样本场景下性能超越基线，逼近全监督模型。
2024-01-26 cs.AI cs.CL
Lexicalization Is All You Need: Examining the Impact of Lexical Knowledge in a Compositional QALD System
Bielefeld University（比勒费尔德大学）
本文提出一种利用显式词汇知识的组合式 QALD 系统，证明其在 QALD-9 上较最佳系统最高提升 35.8% micro F1，并指出 LLM 的组合式词汇利用能力有限。
2024-12-05 cs.AI cs.CL cs.IR
The Answer Path and the Grounding Instruction in LLM Question Answering over Knowledge Graphs
Siemens Digital Industries Software（西门子数字工业软件）
本研究通过系统实验发现，在知识图谱问答中，答案路径的存在和接地指令显著影响大语言模型性能，而语法、顺序和子图大小无影响，并纠正了关于图上下文有害的虚假发现。
2026-09-10 cs.CL cs.IR
KG2Code: Bridging Knowledge Graphs and Large Language Models via Executable Code for Question Answering
Southeast University（东南大学）；Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications (Southeast University), Ministry of Education（教育部新一代人工智能技术及其交叉应用重点实验室（东南大学））；Huawei Technologies（华为技术有限公司）；University of Manchester（曼彻斯特大学）；University of Edinburgh（爱丁堡大学）
研究针对知识图谱问答中现有方法的局限，提出KG2Code方法，将知识图谱转换为代码表示，在此基础上构建KG2Code-QA框架，把KGQA作为代码生成任务，还构建代码语料库，训练后的模型在KGQA任务中表现优异且泛化性强。
2026-07-28 cs.AI
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
