超越已见数据：通过模式引导逻辑形式生成提升KBQA的泛化能力
计算与语言
2025-09-11 v3 人工智能
摘要
知识库问答(KBQA)旨在使用存储在大型知识库中的丰富人类知识来回答自然语言中的用户问题。当前KBQA方法在测试时间难以处理未见知识库元素，为此我们提出SG-KBQA：一种将模式上下文注入实体检索和逻辑形式生成以解决此问题的新型模型。它利用模式上下文提供的更丰富的语义和对知识库结构的认知，来增强泛化能力。我们表明，SG-KBQA在两个常用基准数据集上实现了强大的泛化性能，凌驾于当前SOTA模型，适用于多种测试设置。我们的源代码已公开于https://github.com/gaosx2000/SG_KBQA。
引用
@article{arxiv.2502.12737,
title = {Beyond Seen Data: Improving KBQA Generalization Through Schema-Guided Logical Form Generation},
author = {Shengxiang Gao and Jey Han Lau and Jianzhong Qi},
journal= {arXiv preprint arXiv:2502.12737},
year = {2025}
}
备注
Accepted by EMNLP 2025