TAG-EQA：基于结构化提示策略的文本与图事件问答
计算与语言
2025-10-03 v1
摘要
大型语言模型（LLM）擅长一般语言任务，但常常在事件类问题上遇到困难——尤其是那些需要因果或时序推理的问题。我们引入 TAG-EQA（Text-And-Graph for Event Question Answering，用于事件问答的文本与图），这是一个通过将结构化关系转换为自然语言语句，从而将因果事件图注入 LLM 输入的提示框架。TAG-EQA 涵盖九种提示配置，结合了三种策略（zero-shot、few-shot、chain-of-thought）与三种输入模态（纯文本、纯图、文本+图），从而能够系统性地分析结构化知识在何时以及如何辅助推理。在 TORQUESTRA 基准测试上，TAG-EQA 的准确率平均比纯文本基线提高了 5%，在 zero-shot 设置中增益高达 12%，而在图增强 CoT 提示有效时增益达 18%。尽管性能因模型和配置而异，我们的研究结果表明，因果图可以在不进行微调的情况下增强 LLM 的事件推理能力，为在基于提示的问答中编码结构提供了一种灵活的方式。
引用
@article{arxiv.2510.01391,
title = {TAG-EQA: Text-And-Graph for Event Question Answering via Structured Prompting Strategies},
author = {Maithili Kadam and Francis Ferraro},
journal= {arXiv preprint arXiv:2510.01391},
year = {2025}
}
备注
Accepted in *sem 2025