.png){kind=icon}
返回
Knowledge-based natural answer generation via effective graph learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113288.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目标：自然答案生成（NAG）旨在为用户问题生成自然且流畅的答案。现有的NAG方法通常采用固定跳数检索来构建知识图谱，并利用基于注意力机制的神经网络进行答案生成。然而，这些方法缺乏可解释性，难以过滤图谱中的冗余信息，且计算开销较大。
方法：为解决上述问题，本文提出了一种创新方法——AdaptQA模型。首先，AdaptQA利用自适应多跳检索算法从知识库（KB）中构建知识图谱。随后，通过图基Mamba模块（GBM）生成答案，有效过滤冗余信息。最后，利用预训练的大语言模型优化答案，提升流畅度和准确性。
创新点：所提出的AdaptQA模型通过提升知识图谱的完整性和优化问答答案，为NAG引入了新方法。该方法通过降低模型推理复杂度，克服了现有NAG技术的局限性。
发现：通过在HotpotQA和WikiHop两个基准数据集上的大量实验，AdaptQA展现出卓越性能，显著优于现有NAG方法。具体而言，AdaptQA在HotpotQA数据集上达到94.47%的准确率，在WikiHop数据集上达到91.38%。
Keyword:
Natural answer generation
Adaptive multi-hop retrieval
Graph-based Mamba
Prompt optimization
期刊
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏Question-Directed Reasoning With Relation-Aware Graph Attention Network for Complex Question Answering Over Knowledge Graph基于关系感知图注意力网络的问题导向推理，用于知识图的复杂问题回答
PREAI
分享收藏
Multilingual entity alignment by abductive knowledge reasoning on multiple knowledge graphs多语言实体对齐：基于多重知识图谱的溯因知识推理
PREAI
分享收藏 没有更多内容
没有更多内容