Two-stage Generative Question Answering on Temporal Knowledge Graph Using Large Language Models

本文是LLM系列文章，针对《Two-stage Generative Question Answering on Temporal Knowledge
Graph Using Large Language Models》的翻译。

摘要

由于隐藏在问题中的时间约束以及从动态结构化知识中寻求答案，时间知识图谱问答（TKGQA）是一项具有重大挑战性的任务。尽管大型语言模型（LLM）在其对结构化数据的推理能力方面取得了相当大的进步，但其在TKGQA任务中的应用是一个相对未开发的领域。本文首先提出了一种新的生成时态知识图谱问答框架GenTKGQA，该框架通过子图检索和答案生成两个阶段指导LLM回答时态问题。首先，我们利用LLM的内在知识来挖掘问题中的时间约束和结构链接，而无需额外的训练，从而在时间和结构维度上缩小子图搜索空间。接下来，我们设计了虚拟知识指标，以非浅层的方式融合子图的图神经网络信号和LLM的文本表示，这有助于开源LLM通过指令调优深入了解检索到的事实之间的时间顺序和结构依赖性。实验结果表明，我们的模型优于最先进的基线，甚至在简单问题类型的指标上达到了100%。

1 引言

2 相关工作

3 前言

4 方法

5 实验

6 结论

我们提出了一种新的生成框架GenTKGQA，它以两阶段的方式指导LLM处理TKG上的时间问答。具体