面向知识图谱问答的本体导引混合提示学习
计算与语言
2025-02-07 v1 人工智能
摘要
大多数现有知识图谱问答（KGQA）方法针对特定知识图谱（如 Wikidata、DBpedia 或 Freebase）进行设计。由于底层图的模式、拓扑和断言的异构性，大多数 KGQA 系统无法在无需资源密集型训练数据的情况下迁移到不可见的知识图谱（KGs）。我们提出了 OntoSCPrompt，一种新颖的大型语言模型（LLM）基于 KGQA 方法，采用两个阶段的架构，将语义解析与 KG 相关交互分离。OntoSCPrompt 首先生成 SPARQL 查询结构（包括 SELECT、ASK、WHERE 等 SPARQL 关键字以及缺失标记的占位符），然后用 KG 特定信息填充它们。为增强对底层 KG 的理解，我们提出了一种本体导引的混合提示学习策略，将 KG 本体整合到混合提示（如离散和连续向量）的学习过程中。我们还提出了若干特定任务的解码策略，以确保两个阶段生成的 SPARQL 查询在正确性和可执行性方面。实验结果表明，OntoSCPrompt 在资源高效的情况下，能够在诸如 CWQ、WebQSP 和 LC-QuAD 1.0 等多个 KGQA 数据集上达到 SOTA 水平，并能良好地推广到不可见的特定领域 KG，如 DBLP-QuAD 和 CoyPu。
关键词
引用
@article{arxiv.2502.03992,
title = {Ontology-Guided, Hybrid Prompt Learning for Generalization in Knowledge Graph Question Answering},
author = {Longquan Jiang and Junbo Huang and Cedric Möller and Ricardo Usbeck},
journal= {arXiv preprint arXiv:2502.03992},
year = {2025}
}
备注
Accepted By ICSC 2025