11:27官方账号arXiv cs.AI@Md Saikat Islam Khan Bappy, Oshani Seneviratne针对知识图谱问答中数据分散的问题,提出FedV-KGQA框架,结合本地图丰富化和知识图谱嵌入,确保原始三元组和关系参数不离开各个孤岛,实现结构化数据边界,无需集中式图访问。引入主题实体锚定机制,无需跨孤岛通信即可定位正确图邻域。在三个基准上评估12种模型配置,FedV-KGQA表现强劲,接近集中式性能,可泛化到3跳推理,对嵌入扰动具有鲁棒性。论文FedV-KGQA知识图谱问答多跳推理推荐理由:FedV-KGQA框架解决了知识图谱问答中数据分散的问题,结合本地图丰富化和知识图谱嵌入,无需集中式图访问,引入主题实体锚定机制,无需跨孤岛通信即可定位正确图邻域,性能强劲,值得一看。原文稍后读已读值得跟进有用关注 FedV-KGQA
11:23官方账号arXiv cs.AI@Emanuel Kitzelmann研究LLM在知识图谱问答中的局限性,提出CES-PK方法,通过轻量级符号约束验证候选答案,提高精确度并保留召回率。在Hetionet上实验,验证方法有效性。论文LLM-based KGQA知识图谱问答CES-PK方法推荐理由:这篇论文提出了CES-PK方法,解决了LLM在知识图谱问答中的问题,值得相关领域研究者关注。原文稍后读已读值得跟进有用关注 LLM-based KGQA