面向知识库问答的少样本上下文学习
计算与语言
2023-05-05 v2 人工智能
摘要
知识库上的问答被认为是一个困难问题，因为难以推广到种类繁多的可能自然语言问题。此外，不同知识库之间模式项的异构性常常需要对不同知识库问答（KBQA）数据集进行专门训练。为以统一的免训练框架处理多样KBQA数据集上的问题，我们提出KB-BINDER，首次实现了KBQA任务上的少样本上下文学习。首先，KB-BINDER利用如Codex之类的大语言模型，通过模仿少量示例为特定问题生成逻辑形式作为草稿。其次，KB-BINDER基于知识库，通过BM25分数匹配将生成的草稿绑定为可执行形式。在四个公开异构KBQA数据集上的实验结果表明，KB-BINDER仅用少量上下文示例即可取得强劲性能。尤其在GraphQA与3-hop MetaQA上，KB-BINDER甚至优于最先进的（SOTA）训练模型。在GrailQA与WebQSP上，我们的模型也与其他全训练模型相当。我们相信KB-BINDER可作为未来研究的重要基线。我们的代码见https://github.com/ltl3A87/KB-BINDER。
引用
@article{arxiv.2305.01750,
title = {Few-shot In-context Learning for Knowledge Base Question Answering},
author = {Tianle Li and Xueguang Ma and Alex Zhuang and Yu Gu and Yu Su and Wenhu Chen},
journal= {arXiv preprint arXiv:2305.01750},
year = {2023}
}
备注
Accepted to ACL 2023