基于大语言模型的无人系统知识库问答上下文学习方法
计算与语言
2023-11-07 v1 人工智能
摘要
知识库问答（KBQA）旨在基于知识库回答事实型问题。然而，基于自然语言问题（NLQ）生成最合适的知识库查询代码是KBQA中的一大挑战。本文关注CCKS2023无人系统知识图谱推理问答竞赛。受ChatGPT与GPT-3等大型语言模型（LLMs）在许多QA任务中近期成功的启发，我们提出了一种基于ChatGPT的Cypher查询语言（CQL）生成框架，以基于给定NLQ生成最合适的CQL。我们的生成框架包含六个部分：基于给定NLQ预测CQL语法相关信息的辅助模型、从给定NLQ抽取专有名词的专有名词匹配器、检索输入样本相似示例的示例选择器、设计ChatGPT输入模板的提示构造器、基于ChatGPT生成CQL的生成模型，以及从多样化输出获取最终答案的集成模型。凭借我们的基于ChatGPT的CQL生成框架，我们在CCKS 2023无人系统知识图谱推理问答竞赛中获得第二名，取得0.92676的F1分数。
引用
@article{arxiv.2311.02956,
title = {In-Context Learning for Knowledge Base Question Answering for Unmanned Systems based on Large Language Models},
author = {Yunlong Chen and Yaming Zhang and Jianfei Yu and Li Yang and Rui Xia},
journal= {arXiv preprint arXiv:2311.02956},
year = {2023}
}
备注
Runner up of the CCKS 2023 question answering with knowledge graph inference for unmanned systems evaluation task, accepted as an evaluation paper