自带知识图谱：面向零样本KGQA的自监督程序合成
计算与语言
2025-11-27 v2 人工智能
数据库
机器学习
摘要
我们提出BYOKG，一个通用问答(QA)系统，可在任意知识图谱(KG)上运行，无需人工标注训练数据，并且能在一天内就绪——这些特性超出了当前KGQA系统的能力范围。BYOKG的灵感来源于人类通过探索理解未见KG中信息的卓越能力：从随机节点出发，检视相邻节点与边的标签，并将其与先验世界知识结合。在BYOKG中，探索利用一个由LLM支撑的符号智能体生成多样化的查询-程序示例集，随后用于支撑检索增强推理过程，以预测任意问题的程序。BYOKG在小型与大型图上均有效，在GrailQA和MetaQA上分别相较零样本基线取得27.89和58.02 F1的QA准确率显著提升。在GrailQA上，我们进一步展示无监督的BYOKG优于有监督的上下文学习方法，证明了探索的有效性。最后，我们发现BYOKG的性能随持续探索及基础LLM的改进而可靠提升，在GrailQA的一个子采样零样本划分上显著优于最先进的微调模型7.08 F1。
引用
@article{arxiv.2311.07850,
title = {Bring Your Own KG: Self-Supervised Program Synthesis for Zero-Shot KGQA},
author = {Dhruv Agarwal and Rajarshi Das and Sopan Khosla and Rashmi Gangadharaiah},
journal= {arXiv preprint arXiv:2311.07850},
year = {2025}
}