Interactive-KBQA: Multi-Turn Interactions for Knowledge Base Question Answering with Large Language Models
Peking University（北京大学）；Zuoyebang Education Technology Co., Ltd.（作业帮教育科技有限公司）
本文提出 Interactive-KBQA 框架，通过设计三类知识库交互 API 和分步推理示例，引导大语言模型在少样本低资源场景下将复杂问题解析为逻辑形式，并支持人工迭代优化，在多个 KBQA 数据集上取得有竞争力的结果。
2025-03-12 cs.AI cs.CL
FC-KBQA: A Fine-to-Coarse Composition Framework for Knowledge Base Question Answering
Renmin University of China（中国人民大学）；Tsinghua University（清华大学）
针对KBQA中粗粒度建模导致的泛化差和细粒度建模导致的不可执行问题，提出FC-KBQA框架，通过提取细粒度知识组件并重组为中粒度知识对生成逻辑表达式，兼顾泛化与可执行性，在GrailQA和WebQSP上达到SOTA且速度提升4倍。
2023-06-26 cs.AI
Calculating Question Similarity is Enough: A New Method for KBQA Tasks
知识库问答（KBQA）旨在借助外部知识库回答自然语言问题。其核心思想是找到问题背后的内部知识和知识库的已知三元组之间的联系。传统的KBQA任务流水线包括实体识别、实体连接、回答选择等步骤，在这种流水线方法中，任何一个过程中的错误都不可避免地会传播到最终的预测结果中。针对这一问题，本文提出了一种基于预训练语言模型（PLM）的语料库生成方法（CGRM）。主要的新颖性在于新方法的设计，其中我们的方法，知识增强T5（kT 5）模型的目的是生成基于知识图谱三元组的自然语言QA对，并通过检索合成数据集直接解决QA。该方法能够从PLM中提取更多的实体信息，提高了实体的精度，简化了过程。我们在NLPCC-ICCPOL 2016 KBQA数据集上测试了我们的方法，结果表明我们的方法提高了KBQA的性能，并且直接的方法与最先进的方法相比具有竞争力。
2022-05-01 cs.AI cs.CL
Leveraging Abstract Meaning Representation for Knowledge Base Question Answering
IBM Research（IBM研究院）
知识库问答是自然语言处理中的一项重要任务。现有方法面临着重大挑战，包括复杂的问题理解，推理的必要性，以及缺乏大型端到端训练数据集。在这项工作中，我们提出了神经符号问答（NSQA），一个模块化的KBQA系统，它利用（1）抽象意义表示（AMR）解析任务无关的问题理解;（2）一个简单而有效的图转换方法转换AMR解析成候选逻辑查询，是对齐的知识库;（3）基于流水线的方法，其集成了多个可重用模块，这些模块专门针对其单独的任务（语义解析器、实体和关系链接器以及神经符号推理器）而被训练，并且不需要端到端的训练数据。NSQA在基于DBpedia的两个主要KBQA数据集（QALD-9和LC-QuAD 1.0）上实现了最先进的性能。此外，我们的分析强调，AMR是一个强大的工具，KBQA系统。
2021-06-02 cs.AI cs.CL
Complex Knowledge Base Question Answering: A Survey
East China Normal University（华东师范大学）；Singapore Management University（新加坡管理大学）；Renmin University of China（中国人民大学）
知识库问答（KBQA）旨在通过知识库（KB）回答问题。早期的研究主要集中在知识库上回答简单的问题，并取得了很大的成功。然而，它们在复杂问题上的表现仍远不能令人满意。因此，近年来，研究人员提出了大量新颖的方法，这些方法研究了回答复杂问题的挑战。在这篇综述中，我们回顾了KBQA的最新进展，重点是解决复杂问题，这些问题通常包含多个主题，表达复合关系，或涉及数值运算。在详细介绍中，我们首先介绍了复杂的KBQA任务和相关背景。然后，我们描述了复杂KBQA任务的基准数据集，并介绍了这些数据集的构建过程。接下来，我们提出了两种主流的复杂KBQA的方法，即基于语义解析（SP）的方法和基于信息检索（IR）的方法。具体来说，我们说明他们的流程设计，并讨论其主要的区别和相似之处。在此之后，我们总结了这两类方法在回答复杂问题时遇到的挑战，并阐述了现有工作中使用的先进解决方案和技术。最后，我们总结并讨论了未来研究的几个有前途的方向复杂KBQA。
2022-11-08 cs.CL
Triad: A Framework Leveraging a Multi-Role LLM-based Agent to Solve Knowledge Base Question Answering
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；The Chinese University of Hong Kong（香港中文大学）；Tsinghua University（清华大学）
本文提出Triad框架，通过一个多角色基于LLM的智能体协同完成知识库问答，在LC-QuAD和YAGO-QA上取得领先性能。
2024-09-29 cs.AI cs.CL
Beyond Seen Data: Improving KBQA Generalization Through Schema-Guided Logical Form Generation
The University of Melbourne（墨尔本大学）
针对KBQA面对未见知识库元素泛化能力差的问题，提出SG-KBQA模型，通过注入模式上下文增强实体检索和逻辑形式生成，在多个基准上超越现有模型。
2025-09-10 cs.AI cs.CL
Improving Multi-hop Knowledge Base Question Answering by Learning Intermediate Supervision Signals
Renmin University of China（中国人民大学）；Singapore Management University（新加坡管理大学）
多跳知识库问答（KBQA）的目的是在知识库（KB）中找到与问题中的实体相距多跳的答案实体。一个主要的挑战是在中间步骤缺乏监督信号。因此，多跳KBQA算法只能接收最终答案的反馈，这使得学习不稳定或无效。为了应对这一挑战，我们提出了一种新的师生多跳KBQA任务的方法。在我们的方法中，学生网络的目标是找到查询的正确答案，而教师网络试图学习中间监督信号，以提高学生网络的推理能力。主要的新颖性在于教师网络的设计，我们利用正向和反向推理来增强中间实体分布的学习。通过考虑双向推理，教师网络可以产生更可靠的中间监督信号，这可以减轻虚假推理的问题。在三个基准数据集上进行的大量实验证明了该方法在KBQA任务上的有效性。复制我们分析的代码可在https://github.com/RichardHGL/WSDM2021_NSM上获得。
2021-04-07 cs.AI cs.CL
RnG-KBQA: Generation Augmented Iterative Ranking for Knowledge Base Question Answering
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Salesforce Research（赛富时研究院）
现有的KBQA方法，尽管在i.i.d.测试数据通常难以归纳出涉及不可见的KB模式项的问题。先前的基于排名的方法已经在推广方面取得了一些成功，但受到覆盖问题的困扰。我们提出了RnG-KBQA，排名和生成方法KBQA，它补救了覆盖问题的生成模型，同时保持了强大的泛化能力。我们的方法首先使用一个对比排序器来排列一组通过搜索知识图谱获得的候选逻辑形式。然后，它引入了一个定制的生成模型的问题和排名靠前的候选人组成的最终逻辑形式的条件。我们在GrailQA和WebQSP数据集上取得了最新的成果。特别是，我们的方法在GrailQA排行榜上远远超过了现有的最先进的方法。此外，RnG-KBQA在流行的WebQSP基准测试中优于所有先前的方法，甚至包括使用Oracle实体链接的方法。实验结果表明，排名和生成之间的相互作用的有效性，这导致我们提出的方法在所有设置的优越性能，特别是强大的改进zero-shot泛化。
2022-03-21 cs.CL
SYGMA: System for Generalizable Modular Question Answering OverKnowledge 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KBQA系统的斗争与概括性，特别是在两个方面：（a）跨多个推理类型，其中数据集和系统主要集中在多跳推理，（b）跨多个知识库，其中KBQA方法是专门调整到一个单一的知识库。在本文中，我们提出了SYGMA，一个模块化的方法，促进跨多个知识库和多个推理类型的泛化能力。具体来说，SYGMA包含三个高级模块：1）知识库不可知问题理解模块，它在知识库中是通用的; 2）规则支持额外的推理类型;我们证明了我们的系统的有效性，属于两个不同的知识库，DBpedia和Wikidata的数据集进行评估。此外，为了证明扩展到其他推理类型，我们评估了多跳推理数据集和一个新的时间KBQA基准数据集维基数据，命名为TempQA-WD 1，本文介绍。我们表明，我们的推广方法在DBpedia和Wikidata上的多个数据集上具有更好的竞争性能，这些数据集需要多跳和时间推理
2021-09-28 cs.AI cs.CL
Injecting Numerical Reasoning Skills into Knowledge Base Question Answering Models
Renmin University of China（中国人民大学）；Tencent AI Lab（腾讯人工智能实验室）
基于嵌入的方法在知识库问答（KBQA）中很受欢迎，但目前很少有模型具有数值推理能力，因此难以回答顺序约束问题。本文提出了一种新的嵌入式KBQA框架，特别是考虑到数值推理。我们在NSM（一种最先进的基于嵌入的KBQA模型）之上提出NumericalTransformer，以创建NT-NSM。为了实现更好的训练，我们提出了两个预训练任务，在两个生成的训练数据集上使用显式的面向数值的损失函数，以及一种基于模板的数据增强方法来丰富有序约束的QA数据集。在KBQA基准测试上进行的大量实验表明，在我们的训练算法的帮助下，NT-NSM具有数值推理技能，并且在回答顺序约束问题时大大优于基线。
2022-05-16 cs.CL
Beyond I.I.D.: Three Levels of Generalization for Question Answering on Knowledge Bases
The Ohio State University（俄亥俄州立大学）；U.S. Army Research Laboratory（美国陆军研究实验室）；Stanford University（斯坦福大学）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
现有的基于知识库的问答（KBQA）研究主要采用标准i.i.d假设，即，问题上的训练分布与测试分布相同。然而，i.i.d在大规模KB上可能既不合理地可实现也不理想，因为1）真实的用户分布难以捕获，以及2）从巨大的空间中随机采样训练样本将是高度数据低效的。相反，我们建议KBQA模型应该有三个级别的内置泛化：i.i.d，组合和zero-shot。为了促进具有更强泛化能力的KBQA模型的开发，我们构建并发布了一个包含64，331个问题的新的大规模高质量数据集GrailQA，并为所有三个泛化级别提供了评估设置。此外，我们提出了一种新的基于BERT的KBQA模型。我们的数据集和模型的结合使我们能够第一次彻底检查和展示预训练的上下文嵌入（如BERT）在KBQA泛化中的关键作用。
2021-02-22 cs.AI cs.CL cs.LG
From Parse-Execute to Parse-Execute-Refine: Improving Semantic Parser for Complex Question Answering over Knowledge Base
Sun Yat-Sen University（中山大学）
针对复杂知识库问答的多步推理难题，本文提出解析-执行-细化范式，基于KoPL生成逻辑形式并执行得到中间推理步骤，再用该过程细化模型，推出的PER-KBQA在基准数据集上性能优于现有最优基线。
2023-05-05 cs.AI cs.CL cs.LG
A Survey on Complex Knowledge Base Question Answering: Methods, Challenges and Solutions
Singapore Management University（新加坡管理大学）；Renmin University of China（中国人民大学）
知识库问答（KBQA）旨在通过知识库（KB）回答问题。近年来，大量的研究集中在语义或句法复杂的问句上。在本文中，我们详细总结了复杂KBQA的典型挑战和解决方案。我们首先介绍了KBQA任务的背景。接下来，我们提出了两种主流的复杂KBQA方法，即基于语义解析（SP）的方法和基于信息检索（IR）的方法。然后，我们从这两个类别的角度全面回顾了先进的方法。具体来说，我们解释了他们的解决方案，以典型的挑战。最后，我们总结并讨论了未来研究的一些有前途的方向。
2021-05-25 cs.CL
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
RetinaQA: A Robust Knowledge Base Question Answering Model for both Answerable and Unanswerable Questions
Indian Institute of Technology Delhi（印度德里理工学院）；TCS Research（塔塔咨询服务公司研究院）
提出RetinaQA模型，通过判别候选逻辑形式与草图填充构建，统一处理可回答与不可回答的KBQA问题，显著提升性能并创下新纪录。
2024-11-02 cs.CL
ChatKBQA: A Generate-then-Retrieve Framework for Knowledge Base Question Answering with Fine-tuned Large Language Models
School of Computer Science, Beijing University of Posts and Telecommunications（北京邮电大学计算机学院）；School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院）；Beijing Institute of Computer Technology and Application（北京计算机技术及应用研究所）；Inspur Group Co., Ltd.（浪潮集团有限公司）；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
针对知识库问答中检索低效、检索误差影响解析及方法复杂的问题，提出ChatKBQA生成再检索框架，用微调LLM生成逻辑形式后无监督检索替换实体关系，在WebQSP、CWQ上达SOTA，为LLM与KG结合提供新范式。
2024-10-30 cs.AI cs.CL
Exploiting Rich Syntax for Better Knowledge Base Question Answering
Soochow University（苏州大学）；Tencent（腾讯）
最近的研究表明，知识库问答（KBQA）通过更好地理解问题，在这一任务上取得了很大的进展。以往的编码问题的研究主要集中在单词序列上，而很少考虑句法树的信息。首先，我们通过考虑关键字之间的最短依赖路径来编码基于路径的语法。然后，我们提出了两种编码策略来对整个句法树的信息进行建模，以获得基于树的句法。最后，我们结合了基于路径和基于树的语法表示KBQA。我们在一个广泛使用的基准数据集上进行了大量的实验，实验结果表明，我们的语法感知系统可以充分利用不同设置中的语法信息，并实现最先进的KBQA性能。
2021-07-16 cs.CL
Few-shot In-context Learning for Knowledge Base Question Answering
University of Waterloo（滑铁卢大学）；The Ohio State University（俄亥俄州立大学）；Vector Institute（向量研究所）
针对知识库问答泛化难、不同数据集需专门训练的问题，提出免训练框架KB-BINDER，通过大模型生成逻辑草稿加知识库绑定实现少样本上下文学习，在多数据集上性能优异。
2023-05-04 cs.AI cs.CL
Joint Knowledge Base Completion and Question Answering by Combining Large Language Models and Small Language Models
School of Computer Science and Engineering, Northeastern University, Shenyang, China（东北大学计算机科学与工程学院，沈阳，中国）；National Frontiers Science Center for Industrial Intelligence and Systems optimization, Northeastern University, Shenyang, China（东北大学工业智能与系统优化国家级前沿科学中心，沈阳，中国）
本文提出JCQL框架，结合大语言模型与小语言模型，通过迭代增强知识库补全与问答任务，提升两者性能。
2026-04-07 cs.AI
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
Can ChatGPT Replace Traditional KBQA Models? An In-depth Analysis of the Question Answering Performance of the GPT LLM Family
Southeast University（东南大学）
本文通过CheckList黑盒测试框架，在约19万个测试用例上系统评估GPT LLM家族在八个复杂知识问答数据集上的表现，并与FLAN-T5对比，分析其能否取代传统KBQA模型。
2023-09-20 cs.CL
Improved Neural Relation Detection for Knowledge Base Question Answering
IBM Research（IBM研究院）；Center for Information and Language Processing, LMU Munich（慕尼黑大学语言信息处理中心）；IBM Watson
关系检测是包括知识库问答（KBQA）在内的许多NLP应用的核心组件。在本文中，我们提出了一个分层递归神经网络增强的残差学习，检测知识库关系给定的输入问题。我们的方法使用深度残差双向LSTM通过不同的抽象层次来比较问题和关系名称。此外，我们提出了一个简单的KBQA系统，集成了实体链接和我们提出的关系检测器，使一个增强另一个。实验结果证明，我们的方法不仅实现了出色的关系检测性能，但更重要的是，它可以帮助我们的KBQA系统，以实现最先进的单关系（SimpleQuestions）和多关系（WebQSP）QA基准的准确性。
2017-05-27 cs.AI cs.CL cs.NE
Multi-Task Learning with Multi-View Attention for Answer Selection and Knowledge Base Question Answering
Peking University Shenzhen Graduate School（北京大学深圳研究生院）；Tencent Medical AI Lab（腾讯医疗人工智能实验室）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
答案选择和知识库问答（KBQA）是问答（QA）系统的两个重要任务。现有的方法分别解决这两个任务，这需要大量的重复工作，忽略了任务之间的丰富的相关性信息。在本文中，我们通过多任务学习（MTL）同时解决答案选择和KBQA任务，其动机如下。首先，答案选择和KBQA都可以看作是一个排序问题，一个在文本级，而另一个在知识级。其次，这两个任务可以相互受益：答案选择可以从知识库（KB）中整合外部知识，而KBQA可以通过从答案选择中学习上下文信息来改进。为了实现共同学习这两个任务的目标，我们提出了一种新的多任务学习方案，利用从不同角度学习的多视图注意，使这些任务相互作用，以及学习更全面的句子表示。在真实数据集上的实验结果表明了该方法的有效性，提高了答案选择和KBQA的性能.此外，多视图注意方案被证明是有效的组装注意信息从不同的表征角度。
2018-12-06 cs.CL
Code-Style In-Context Learning for Knowledge-Based Question Answering
Beihang University（北京航空航天大学）；Zhongguancun Laboratory（中关村实验室）
针对KBQA中LLMs因不熟悉逻辑形式导致格式错误率高的问题，提出代码风格上下文学习方法，将逻辑形式生成转为代码生成，在三个数据集上实现新SOTA。
2024-01-05 cs.AI cs.CL
Developing PUGG for Polish: A Modern Approach to KBQA, MRC, and IR Dataset Construction
Wrocław University of Science and Technology（弗罗茨瓦夫理工大学）
本文提出面向低资源语言的半自动化数据集构建流程，并据此发布首个波兰语 KBQA 数据集 PUGG，同时构建 MRC 与 IR 数据集并评估基线模型。
2024-08-05 cs.AI cs.CL cs.LG
ArcaneQA: Dynamic Program Induction and Contextualized Encoding for Knowledge Base Question Answering
The Ohio State University（俄亥俄州立大学）
基于知识库的问答（KBQA）是语义解析研究中的一个独特的挑战，这是由于两个相互交织的挑战：大的搜索空间和模式链接中的歧义。传统的基于排序的KBQA模型依赖于候选枚举步骤来减少搜索空间，在预测复杂查询时难以实现灵活性，并且具有不切实际的运行时间。在本文中，我们提出了ArcaneQA，一种新的代为基础的模型，解决了大搜索空间和模式链接的挑战，在一个统一的框架与两个相互促进的成分：动态程序归纳处理大搜索空间和动态上下文编码模式链接。在多个流行的KBQA数据集上的实验结果表明，ArcaneQA在有效性和效率方面都具有很强的竞争力。
2022-10-24 cs.CL
Multi-Instance Learning for End-to-End Knowledge Base Question Answering
Alibaba Group（阿里巴巴集团）
端到端培训是知识库问答（KBQA）的一种流行方法。然而，现实世界的应用程序通常包含针对用户问题的不同质量的答案。平等对待用户问题的所有可用答案是不合适的。本文提出了一种基于多实例学习的新方法，通过在训练端到端KBQA模型时探索同一问题的答案之间的共识来解决噪声答案的问题。特别地，QA对被组织成具有动态实例选择和不同实例权重选项的袋。在培训期间，利用课程学习来选择实例包。在公共CQA数据集上，新方法显着提高了实体准确性和Rouge-L得分，超过了最先进的端到端KBQA基线。
2019-03-06 cs.CL
A Two-Stage Approach towards Generalization in Knowledge Base Question Answering
IBM Research（IBM研究院）；UMass Amherst（马萨诸塞大学阿默斯特分校）
大多数现有的知识库问答（KBQA）的方法集中在一个特定的基础知识库，无论是因为固有的假设的方法，或因为评估它在一个不同的知识库需要不平凡的变化。然而，许多流行的知识库在其底层模式中具有相似性，可以利用这些相似性来促进跨知识库的泛化。为了实现这一概括，我们引入了一个KBQA框架的基础上，明确分离语义解析的知识库交互，促进跨数据集和知识图谱的迁移学习的2阶段架构。我们表明，在具有不同基础知识库的数据集上进行预训练仍然可以提供显着的性能增益并降低样本复杂性。我们的方法实现了LC-QuAD（DBpedia），WebQSP（Freebase），SimpleQuestions（Wikidata）和MetaQA（Wikimovies-KG）的可比或最先进的性能。
2021-11-17 cs.AI cs.CL
Incremental Knowledge Based Question Answering
The Hong Kong Polytechnic University（香港理工大学）；Shandong University（山东大学）
在过去的几年里，基于知识的问答（KBQA），其目的是回答自然语言的问题，在知识库中的事实，已经得到了很好的发展。现有的方法往往假设一个静态的知识库。然而，知识在现实世界中随着时间的推移而发展。如果我们直接对一个不断演化的知识库应用微调策略，它将遭受严重的灾难性遗忘问题。在本文中，我们提出了一个新的增量KBQA学习框架，可以逐步扩大人类的学习能力。具体地说，它包括一个边缘蒸馏损失和合作的范例选择方法，克服灾难性遗忘的问题，利用知识蒸馏。我们重新组织了SimpleQuestion数据集，以评估KBQA的增量学习解决方案。综合实验表明，它的有效性和效率时，不断发展的知识库。
2021-01-18 cs.CL
KBQA: Learning Question Answering over QA Corpora and Knowledge Bases
Facebook（脸书）；HKUST（香港科技大学）；Yonsei University（延世大学）；Fudan University（复旦大学）
问答（QA）已经成为人类访问数十亿级知识库的流行方式。与Web搜索不同，知识库上的QA给出了准确和简洁的结果，前提是自然语言问题可以被理解并精确地映射到知识库上的结构化查询。然而，挑战在于，一个人可以用多种不同的方式提出一个问题。以前的方法有自然的限制，由于其表示：基于规则的方法只理解一小部分的“罐头”的问题，而基于关键字或基于同义词的方法不能完全理解的问题。在本文中，我们设计了一种新的问题表示：模板，超过十亿规模的知识库和百万规模的问答语料库。例如，对于有关城市人口的问题，我们学习了诸如$city?, How many people are there in $ city的人口是多少？我们学习了2782个意图的2700万个模板。基于这些模板，我们的问答系统KBQA有效地支持二进制事实问题，以及由一系列二进制事实问题组成的复杂问题。此外，我们扩展了RDF知识库中的谓词，使知识库的覆盖率提高了57倍。我们的QA系统在QALD基准的有效性和效率方面击败了所有其他最先进的作品。
2019-03-06 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
Cost-efficient Knowledge-based Question Answering with Large Language Models
The Hong Kong Polytechnic University（香港理工大学）；Rice University（莱斯大学）
提出Coke策略，将KBQA建模为多臂老虎机问题，结合LLM与小模型，在基准上节省20.89%GPT-4费用并提升2.74%准确率。
2024-05-27 cs.AI cs.CL
TIARA: Multi-grained Retrieval for Robust Question Answering over Large Knowledge Bases
Microsoft Research（微软研究院）；Nanjing University（南京大学）；Nankai University（南开大学）；Harbin Institute of Technology（哈尔滨工业大学）
预训练的语言模型（PLM）在多种场景中显示出其有效性。然而，KBQA仍然具有挑战性，特别是在覆盖和泛化设置方面。这是由于两个主要因素：i）理解问题和来自KB的相关知识的语义; ii）生成具有语义和语法正确性的可执行逻辑形式。在本文中，我们提出了一个新的KBQA模型，TIARA，它通过应用多粒度检索来帮助PLM关注最相关的KB上下文，即，实体、示例性逻辑形式和模式项。此外，约束解码用于控制输出空间和减少生成错误。重要基准的实验证明了我们的方法的有效性。TIARA比之前的SOTA（包括那些使用PLM或Oracle实体注释的SOTA）在GrailQA和Websites SP上分别至少高出4.1和1.1个F1点。
2022-10-24 cs.AI cs.CL
Subgraph Retrieval Enhanced Model for Multi-hop Knowledge Base Question Answering
Renmin University of China（中国人民大学）；Tsinghua University（清华大学）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）
知识库问答（KBQA）检索子图更容易推理的最新作品。一个期望的子图是至关重要的，因为一个小的可能会排除答案，但一个大的可能会引入更多的噪音。然而，现有的检索要么是启发式的，要么与推理交织在一起，导致在部分子图上进行推理，这增加了中间监督缺失时的推理偏差。本文提出了一个可训练的子图检索器（SR）解耦的后续推理过程，这使得一个即插即用的框架，以增强任何面向子图的KBQA模型。大量的实验表明，SR实现了显着更好的检索和QA性能比现有的检索方法。通过弱监督的预训练以及端到端的微调，SRl在与NSM（一种面向子图的推理器）相结合时，实现了新的最先进的性能，用于基于嵌入的KBQA方法。
2022-07-27 cs.CL
Few-shot Multi-hop Question Answering over Knowledge Base
cqjtu（重庆交通大学）；cqnu（重庆师范大学）
KBQA是利用知识库中的语义结构化信息回答问题的任务。由于缺乏大规模的语义解析数据集，以及随着关系路径跳数的增加，搜索空间呈指数级增长，这一领域的研究受到了限制。在本文中，我们提出了一种高效的流水线方法配备了一个预先训练的语言模型。采用束搜索算法，搜索空间不受3跳子图的限制。此外，我们还提出了一种数据生成策略，使我们的模型能够从少量的训练样本中很好地泛化。我们在开放域复杂中文问答任务CCKS 2019上评估了我们的模型，并在测试数据集上获得了62.55%的F1分数。另外，为了测试模型的少样本学习能力，我们随机选取10%的原始数据对模型进行训练，结果表明模型仍能达到58.54%的F1分数，验证了模型处理KBQA任务的能力和在少样本学习方面的优势。
2022-01-27 cs.AI cs.CL
Path-Enhanced Multi-Relational Question Answering with Knowledge Graph Embeddings
Alibaba Group（阿里巴巴集团）
多关系知识库问答（KBQA）系统在知识图谱（KG）上执行多跳推理以获得答案。最近的方法试图引入知识图谱嵌入（KGE）技术来处理KG不完全性，但只考虑三重事实，而忽略了路径和多关系问题之间的重要语义相关性。在本文中，我们提出了一个路径和知识嵌入增强的多关系问答模型（PKEEQA），它利用KG中实体之间的多跳路径，通过可定制的路径表示机制来评估路径嵌入和多关系问题嵌入之间的双极相关性，有利于从三重事实和额外路径的角度获得更准确的答案。实验结果表明，PKEEQA提高了KBQA模型的多关系问答的性能，解释能力在一定程度上来源于路径。
2021-10-29 cs.AI cs.CL cs.LG
MarkQA: A large scale KBQA dataset with numerical reasoning
Nanjing University（南京大学）
本文针对具备数值推理的KBQA研究不足的问题，提出NR-KBQA任务，设计PyQL逻辑形式，构建大规模数据集MarkQA，实验表明现有方法在该任务上面临巨大挑战。
2023-12-14 cs.CL
Ripple Down Rules for Question Answering
Macquarie University（麦考瑞大学）；Saarland University（萨尔大学）；VNU University of Engineering and Technology, Vietnam National University, Hanoi（河内越南国家大学工程技术大学）
基于本体的问答系统是近年来出现的一个新趋势。这些系统使用语义Web信息来对用户的查询产生更精确的答案。然而，这些系统大多是为英语设计的。在本文中，我们介绍了一个基于本体的问答系统命名KbQAS，据我们所知，是第一个为越南人。KbQAS采用我们的问题分析方法，系统地构建了一个语法规则的知识库，将每个输入的问题转换为一个中间表示元素。KbQAS然后获取关于目标本体的中间表示元素，并应用概念匹配技术来返回答案。在大范围的越南语问题上，实验结果表明，KbQAS的性能是有前途的84.1%和82.4%的准确率分析输入问题和检索输出答案，分别。此外，我们的问题分析方法可以很容易地应用到新的领域和新的语言，从而节省时间和人力。
2015-11-04 cs.CL cs.IR
Targeted Extraction of Temporal Facts from Textual Resources for Improved Temporal Question Answering over Knowledge Bases
Indian Institute of Technology, Kharagpur（印度理工学院克勒格布尔分校）；IBM Research AI（IBM人工智能研究院）
知识库问答（KBQA）系统的目标是通过对从知识库（KB）检索的相关事实进行推理来回答复杂的自然语言问题。这些系统所面临的主要挑战之一是，由于不完整的知识库和实体/关系链接错误等因素，它们无法检索所有相关事实。在本文中，我们解决这个特殊的挑战，系统处理一个特定类别的问题，称为时间问题，答案推导涉及推理的事实断言点/时间间隔的各种事件。我们提出了一种新的方法，有针对性的时间事实提取技术是用来协助KBQA时，它无法检索时间事实从KB。我们使用$λ$ -问题的表达式来逻辑地表示得出答案所需的组成事实和推理步骤。这使我们能够发现那些未能从知识库中检索到的事实，并生成文本查询，以便以开放域问答的方式从文本资源中提取它们。我们评估了我们的方法在基准时间问答数据集考虑维基数据和维基百科分别作为知识库和文本资源。实验结果表明，该方法在回答正确率上相对提高了$\sim$ 30%，证明了该方法的有效性.
2022-03-21 cs.AI cs.CL
Case-based Reasoning for Natural Language Queries over Knowledge Bases
University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）；Google Research（谷歌研究院）；New York University（纽约大学）；Amazon（亚马逊）；EY, Greece（安永（希腊））
从头开始解决一个复杂的问题通常是具有挑战性的，但是如果我们可以访问其他类似的问题及其解决方案-一种称为基于案例的推理（CBR）的范例，则会容易得多。我们提出了一个神经符号CBR方法（CBR-KBQA）的问答在大型知识库。CBR-KBQA包括一个存储案例（问题和逻辑形式）的非参数存储器和一个参数模型，该模型可以通过检索与新问题相关的案例来生成新问题的逻辑形式。在包含复杂问题的多个KBQA数据集上，CBR-KBQA实现了具有竞争力的性能。例如，在ComplexWebQuestions数据集上，CBR-KBQA在准确性上比现有技术高出11%。此外，我们表明，CBR-KBQA是能够使用新的情况下\emph{without}任何进一步的训练：通过将一些人类标记的例子在情况下的记忆，CBR-KBQA是能够成功地生成包含看不见的KB实体以及关系的逻辑形式。
2021-11-07 cs.AI cs.CL cs.LG
Modeling Global Semantics for Question Answering over Knowledge Bases
Tianjin University（天津大学）
语义解析作为基于知识库的问答系统的一种重要方法，它将问题转化为完整的查询图，从而生成正确的逻辑查询。现有的语义解析方法主要集中在关系匹配上，而较少关注问题的底层内部结构（例如，问题中所有实体之间的依赖性和关系）来选择查询图。本文提出了一种基于关系图卷积网络（RGCN）的知识库质量评估（KBQA）语义解析模型gRGCN。gRGCN提取问题及其相应查询图的全局语义，包括通过RGCN提取的结构语义和通过层次关系注意力机制提取的关系语义（实体间关系的标签表示）。在基准测试上进行的实验表明，我们的模型优于现成的模型。
2021-01-05 cs.AI
DAMR: Efficient and Adaptive Context-Aware Knowledge Graph Question Answering with LLM-Guided MCTS
MBZUAI；PolyU；Hebei University of Technology（河北工业大学）；CityU（城市大学）；HKUST（香港科技大学）
针对知识图谱问答中静态路径缺乏适应性和动态生成高成本低精度的问题，提出DAMR框架，利用LLM引导的MCTS缩减搜索空间，并引入轻量Transformer评分器进行上下文感知评估，在多个基准上超越现有最优方法。
2025-09-25 cs.AI cs.CL
A Comparative Study of Question Answering over Knowledge Bases
University of Information Technology（信息技术大学）；HUTECH University（胡志明市工业大学）；Griffith University（格里菲斯大学）
基于知识库的问答（Questionanswering over knowledge bases，KBQA）技术已经成为一种帮助用户从知识库中提取信息的流行方法。虽然存在几种系统，但选择一种适合特定应用场景的系统是困难的。在这篇文章中，我们提供了六个代表性的KBQA系统在八个基准数据集上的比较研究。在这一过程中，我们研究了各种问题类型、属性、语言和领域，以了解现有系统的困境。最重要的是，我们提出了一个先进的映射算法，以帮助现有的模型，在实现卓越的结果。此外，我们还开发了多语言语料库COVID-KGQA，鼓励COVID-19研究和多语言，以实现未来人工智能的多样性。最后，我们讨论了主要的研究结果及其影响，以及性能指南和一些未来的改进。我们的源代码可以在\url{https://github.com/tamlhp/kbqa}上找到。
2022-11-15 cs.CL cs.DB cs.IR
History Semantic Graph Enhanced Conversational KBQA with Temporal Information Modeling
Peking University（北京大学）；Alibaba Group（阿里巴巴集团）；University of Electronic Science and Technology of China（电子科技大学）；East China Normal University（华东师范大学）
针对对话式KBQA现有方法孤立建模话语、难以捕捉长距离语义依赖的问题，提出融合动态记忆衰减机制、多粒度上下文建模的历史语义图增强模型HSGE，在复杂序列问答基准上表现优于现有基线。
2023-06-12 cs.CL
Effective Search of Logical Forms for Weakly Supervised Knowledge-Based Question Answering
University of Technology Sydney（悉尼科技大学）；Microsoft（微软）
基于知识的问答（KBQA）的许多算法依赖于语义解析，语义解析将问题转换为其逻辑形式。当只提供弱监督时，通常需要搜索有效的逻辑形式进行模型训练。然而，复杂问题通常涉及巨大的搜索空间，这产生了两个主要问题：1）受计算时间和存储器限制的解决方案通常降低搜索的成功率，以及2）搜索结果中的伪逻辑形式降低了训练数据的质量。这两个问题导致训练不佳的语义解析模型。在这项工作中，我们提出了一个有效的搜索方法弱监督KBQA的基础上算子预测的问题。利用预测算子约束搜索空间，可以探索足够的搜索路径，可以导出更有效的逻辑形式，并且可以避免可能导致伪逻辑形式的算子。因此，在弱监督训练集中，更大比例的问题配备了逻辑形式，并且生成更少的虚假逻辑形式。这种高质量的训练数据直接有助于更好的语义解析模型。在最大的KBQA数据集之一（即，CSQA）验证了我们的方法的有效性：提高精度从67%到72%，召回率从67%到72%的总成绩。
2019-09-06 cs.CL
iQUEST: An Iterative Question-Guided Framework for Knowledge Base Question Answering
Department of Computer Science and Engineering（计算机科学与工程系）
iQUEST通过迭代分解复杂查询和集成图神经网络，提升多跳知识库问答的推理准确性与连贯性。
2026-02-16 cs.AI 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
In-Context Learning for Knowledge Base Question Answering for Unmanned Systems based on Large Language Models
Nanjing University of Science and Technology（南京理工大学）；Nanyang Technological University（南洋理工大学）
针对无人系统知识库问答中自然语言转查询代码的难题，提出含六个模块的ChatGPT驱动CQL生成框架，在CCKS2023相关竞赛中获第二名，F1达0.92676。
2023-11-06 cs.AI cs.CL
Foresight-over-Graph: Reasoning Beyond Local Horizons for Knowledge Base Question Answering
Tianjin University（天津大学）；Beijing Jiaotong University（北京交通大学）
针对LLM在知识密集型问答中的幻觉问题，提出图上前瞻（FoG）框架，通过前瞻感知的迭代证据子图构建与远-近反馈引导路径探索，克服局部剪枝的短视，在KBQA基准上达到最先进性能，并在CWQ上实现16.58%的Hit提升。
2026-10-07 cs.AI cs.CL
A Knowledge-Injected Curriculum Pretraining Framework for Question Answering
University of Science and Technology of China（中国科学技术大学）；Guangdong OPPO Mobile Telecommunications Corp., Ltd（广东欧珀移动通信有限公司）；State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室）
提出一种通用的知识注入课程预训练框架（KICP），通过知识注入、知识适应和课程推理三个模块，实现全面知识图谱学习与利用，在KBQA任务上取得更高性能。
2024-03-11 cs.AI cs.CL
GAPD: Gold-Action Policy Distillation for Agentic Reinforcement Learning in Knowledge Base Question Answering
University of Science and Technology of China（中国科学技术大学）；NLPR, MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；ShanghaiTech University（上海科技大学）；Ant Group（蚂蚁集团）
提出GAPD框架，通过中间锚点匹配将金动作序列与在线策略对齐，为基于强化学习的知识库问答提供密集的令牌级指导，在多个基准上取得最优结果。
2026-06-03 cs.CL
Improving Question Answering over Incomplete KBs with Knowledge-Aware Reader
University of California, Santa Barbara（加州大学圣巴巴拉分校）；IBM Research（IBM研究院）
我们提出了一个新的端到端的问答模型，它学习从一个不完整的知识库（KB）和一组检索到的文本片段聚合答案的证据。在结构化知识库更容易查询且获取的知识有助于理解非结构化文本的假设下，该模型首先从问题相关的知识库子图中积累实体知识，然后在潜在空间中重构问题，并利用积累的实体知识阅读文本。知识库和文本中的证据最终被聚合以预测答案。在广泛使用的KBQA基准WebQSP上，我们的模型在不同程度的KB不完整性的设置上实现了一致的改进。
2019-05-31 cs.AI cs.CL
Question Answering over Freebase via Attentive RNN with Similarity Matrix based CNN
随着知识库的快速增长，基于知识库的问答，也就是基于知识库的问答，越来越受到人们的重视。KBQA近年来引起了极大的关注。大多数现有的KBQA方法遵循所谓的编码器比较框架。它们将问题和知识库事实映射到一个公共的嵌入空间，在该空间中可以方便地计算问题向量和事实向量之间的相似度。然而，这不可避免地丢失了原始词语交互信息。为了保留更多的原始信息，我们提出了一种基于相似性矩阵的卷积神经网络（AR-SM CNN）模型，它能够利用RNN和CNN的优点来捕获全面的层次信息。我们使用RNN通过其顺序建模性质来捕获语义级相关性，并使用注意力机制同时跟踪实体和关系。同时，我们使用一个基于相似性矩阵的CNN与双向池提取文字级的词的交互匹配，利用CNN建模数据之间的空间相关性的强度。此外，我们已经开发了一种新的启发式扩展方法的实体检测，显着降低噪声的影响。我们的方法在SimpleQuestion基准测试中的准确性和效率都优于最先进的方法。
2018-05-27 cs.AI cs.CL cs.LG
