UniOQA：基于大型语言模型的知识图谱问答统一框架
计算与语言
2024-06-05 v1 人工智能
摘要
OwnThink是近年来引入的最广泛的中文开放域知识图谱。尽管在OwnThink问答（OQA）方面已有尝试，但现有研究在模型表示能力方面存在局限，给进一步提高问答的整体准确性带来了挑战。本文中，我们介绍了UniOQA，一个集成了两个互补并行工作流的统一框架。与传统方法不同，UniOQA利用大型语言模型（LLMs）进行精确问答，并引入直接答案预测过程作为经济高效的补充。首先，为了增强表示能力，我们微调了一个LLM以将问题翻译成Cypher查询语言（CQL），解决了与受限语义理解和幻觉相关的问题。随后，我们引入了实体和关系替换算法以确保生成的CQL的可执行性。同时，为了提高问答的整体准确性，我们进一步将检索增强生成（RAG）过程适配到知识图谱。最终，我们通过动态决策算法优化答案准确性。实验结果表明，UniOQA显著将SpCQL逻辑准确率提升至21.2%，执行准确率提升至54.9%，在该基准上取得了新的最先进结果。通过消融实验，我们深入探讨了UniOQA优越的表示能力，并量化了其性能突破。
引用
@article{arxiv.2406.02110,
title = {UniOQA: A Unified Framework for Knowledge Graph Question Answering with Large Language Models},
author = {Zhuoyang Li and Liran Deng and Hui Liu and Qiaoqiao Liu and Junzhao Du},
journal= {arXiv preprint arXiv:2406.02110},
year = {2024}
}
备注
10 pages, 5 figures