Two-stage Generative Question Answering on Temporal Knowledge Graph Using Large Language Models

UnknownBody

于 2024-05-02 10:27:38 发布

阅读量280

点赞数 4

CC 4.0 BY-SA版权

分类专栏： LLM Daily Knowledge Graph 文章标签：知识图谱语言模型人工智能

本文链接：https://blog.csdn.net/c_cpp_csharp/article/details/138388278

LLM Daily 同时被 2 个专栏收录

1287 篇文章 ¥99.90 ¥299.90

订阅专栏

超级会员免费看

Knowledge Graph

80 篇文章 ¥99.90 ¥299.90

订阅专栏

本文提出了一种名为GenTKGQA的两阶段生成框架，结合大型语言模型解决时态知识图谱问答。通过LLM挖掘时间约束和结构链接，减少子图搜索，然后使用虚拟知识指标融合图神经信号和文本表示，提高复杂问题的推理性能。实验显示，该模型在TKGQA任务上优于现有基线。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文是LLM系列文章，针对《Two-stage Generative Question Answering on Temporal Knowledge
Graph Using Large Language Models》的翻译。

摘要

由于隐藏在问题中的时间约束以及从动态结构化知识中寻求答案，时间知识图谱问答（TKGQA）是一项具有重大挑战性的任务。尽管大型语言模型（LLM）在其对结构化数据的推理能力方面取得了相当大的进步，但其在TKGQA任务中的应用是一个相对未开发的领域。本文首先提出了一种新的生成时态知识图谱问答框架GenTKGQA，该框架通过子图检索和答案生成两个阶段指导LLM回答时态问题。首先，我们利用LLM的内在知识来挖掘问题中的时间约束和结构链接，而无需额外的训练，从而在时间和结构维度上缩小子图搜索空间。接下来，我们设计了虚拟知识指标，以非浅层的方式融合子图的图神经网络信号和LLM的文本表示，这有助于开源LLM通过指令调优深入了解检索到的事实之间的时间顺序和结构依赖性。实验结果表明，我们的模型优于最先进的基线，甚至在简单问题类型的指标上达到了100%。