1. 知乎专栏
    https://zhuanlan.zhihu.com/p/25759682

    揭开知识库问答KB-QA的面纱2·语义解析篇 | 知乎

    • 在揭开知识库问答KB-QA的面纱1·简介篇中我们谈到，知识库Freebase由大量的三元组组成，并且这些三元组的实体和实体关系都是形式化的语言，比如
      (BarackObama, PlaceOfBirth, Honolulu)… 展开

    内容速览

    •什么是语义解析（Semantic Parsing）
    •什么是逻辑形式（Logic Form）
    • … 展开

    知乎专栏
    什么是逻辑形式

    为了能够对知识库进行查询，我们需要一种能够“访问”知识库的逻辑语言，Lambda Dependency-Based Compositional Semantics ( Lambda-DCS)是一种经典的逻辑语言，它用于 … 展开

    知乎专栏
    语义解析KB-QA的方法框架

    语法解析的过程可以看作是自底向上构造语法树的过程，树的根节点，就是该自然语言问题最终的逻辑形式表达。整个流程可以分为两个步骤：
    1.词汇映射：即 … 展开

    知乎专栏
    桥接操作

    完成词汇表的构建后，仍然存在一些问题。比如，对于go，have，do这样的轻动词（light verb）难以直接映射到一个知识库实体关系上，其次，有些知识库实体关系极少出现，不容易通 … 展开

    知乎专栏
    实验结果

    由于语义解析树的构建方式是指数级的，因此，在训练和测试的时候，作者执行了标准的自底向上的集束分析器（Beam-based bottom-up parser），如果不了解Beam search的同学，请… 展开

    知乎专栏
    反馈
    目录
    内容速览
    什么是逻辑形式
    语义解析KB-QA的方法框架
    桥接操作
    实验结果
    ChatKBQA在CWQ数据集上与其他基线的KBQA结果有何不同?
     
  1. SegmentFault 思否
    https://segmentfault.com/a/1190000042090…

    人工智能 - 知识问答(KBQA)两种主流方法：基于语义解 …

    网页2022年7月10日 · 具体有4种方法：1）语义解析（Semantic Parser）过程转化为query map 生成问题的各类方法；2）仅在领域数据集适用的Encoder-Decoder模型化解析方法；3）基于 Transition-Based 的状态迁移可学习 …

  2. 知乎专栏
    https://zhuanlan.zhihu.com/p/663463273

    ChatKBQA：基于微调大语言模型的知识图谱问答框架

    网页2023年10月26日 · 在本文中，chatkbqa首次采用指令微调技术对开源大模型进行微调，实现了出色的语义解析。它将大模型强大的语义解析能力与知识库的可解释性优势相结合，引入了一种新的llm+kg应用的图思考查 …

  3. 腾讯云
    https://cloud.tencent.com/developer/artic…

    5分钟NLP-知识问答(KBQA)两种主流方法：基于语义解 …

    网页具体有4种方法：1）语义解析（Semantic Parser）过程转化为query map 生成问题的各类方法；2）仅在领域数据集适用的Encoder-Decoder模型化解析方法；3）基于 Transition-Based 的状态迁移可学习的解析方法；4）利 …

  4. 知乎专栏
    https://zhuanlan.zhihu.com/p/539773193

    5分钟NLP-知识问答 (KBQA)两种主流方法：基于语义解 …

    网页具体有4种方法：1）语义解析（Semantic Parser）过程转化为query map 生成问题的各类方法；2）仅在领域数据集适用的Encoder-Decoder模型化解析方法；3）基于 Transition-Based 的状态迁移可学习的解析方法；4）利 …

  5. CSDN博客
    https://blog.csdn.net/weixin_36675391/article/details/136384865

    基于语义解析的KBQA——代码和论文详细分析 | CSDN博客

  6. 其他用户还问了以下问题
    什么是kbqa?
    KBQA 的第一步是识别问题中的主体并链接到知识库中的实体，然后根据实体的邻域推导问题答案。 这里分为两种方法基于语义解析和基于信息检索的两种方法。 语义解析的思想是将自然语言问题表示为可以在知识库中进行查询的符号化的逻辑形式，然后再用逻辑语言进行查询（例如 SQL）。 基于信息检索的方法思想是构建一个问题特定的知识图包含了相关的所有信息，然后将所有实体按相关性进行排序。 然而，这些方法会面临以下挑战： 基于语义解析的方法很难覆盖复杂的查询（多跳推理、约束关系、数值计算等）。 类似的，基于信息检索的方法也很难回答复杂的问题，检索的实体范围可能太小，而且解释性差。 复杂的实体和关系会使得搜索空间过大（逻辑形式、候选结果等），搜索开销过大。

    基于知识库的问答综述（KBQA） | 一隅

    tqnwhz.github.io
    复杂 KBQA 未来可能研究方向是什么?
    论文主要介绍了两种典型的知识库问答方法，总结了它们面临的挑战及解决方案，并指出复杂 KBQA 未来的可能研究方向： 在线学习。 已有的复杂 KBQA 系统都是离线学习、在线部署。 然而用户的反馈可能是改进 KBQA 的方法。 基于此，一些工作开始利用用户反馈去纠正 KBQA 的回答。 还有一些工作直接让用户参与到了问题解析过程中。

    基于知识库的问答综述（KBQA） | 一隅

    tqnwhz.github.io
    ChatKBQA在CWQ数据集上与其他基线的KBQA结果有何不同?
    ChatKBQA在CWQ数据集上与其他基线的KBQA结果比较，*表示使用oracle实体链接。 在KBQA任务中，上表列出了我们提出的generate-then-retrieve ChatKBQA框架的实验结果，采用了最佳设置，使用Llama-2-7B进行LoRA微调，beam search大小设置为15，以及SimCSE用于无监督检索，以及其他基线模型。 我们可以看到，ChatKBQA在WebQSP和CWQ数据集上都明显优于所有现有的KBQA方法。

    ChatKBQA：基于微调大语言模型的知识图谱问答框架 - 知乎

    zhuanlan.zhihu.com
    ChatKBQA如何实现出色的语义解析?
    在本文中， ChatKBQA首次采用指令微调技术对开源大模型进行微调，实现了出色的语义解析。 它将大模型强大的语义解析能力与知识库的可解释性优势相结合，引入了一种新的LLM+KG应用的图思考查询（GQoT）范式。

    ChatKBQA：基于微调大语言模型的知识图谱问答框架 - 知乎

    zhuanlan.zhihu.com
    反馈
  7. hustai.github.io
    https://hustai.github.io/zh/posts/rag/KBQ…

    复杂知识库问答综述 | 知识分享

    网页2023年11月4日 · 本篇主要讲述了KBQA中基于语义解析的方法（SP-base）和基于信息检索的方法（IR-base）。 # 2 基于语义解析的方法 图 2.1 基于语义解析的方法分类. 基于SP的方法采用一种解析-执行过程，通过 …

  8. Tqnwhz
    https://tqnwhz.github.io/blog/2021/10/25/…

    基于知识库的问答综述（KBQA） | 一隅

    网页2021年10月25日 · kbqa 的第一步是识别问题中的主体并链接到知识库中的实体，然后根据实体的邻域推导问题答案。 这里分为两种方法基于语义解析和基于信息检索的两种方法。

  9. 博客园
    https://www.cnblogs.com/xyzhrrr/p/1593…

    KGQA/KBQA综述 - xingye_z | 博客园

    网页2022年2月26日 · 该长文沿用短文的叙述角度，将复杂知识图谱问答方法总结为基于语义解析 (Semantic Parsing-based; SP-based) 的方法和基于信息检索 (Information Retrival-based; IR-based) 的方法。. 从挑战和解决策略 …

  10. fooyou.github.io
    https://fooyou.github.io/document/2020/11/01/knowledge-base-qa.html

    KBQA知识图谱问答系统及前沿探索 | 书亚博园

  12. 某些结果已被删除