Leveraging LLMs in Scholarly Knowledge Graph Question Answering

本文介绍了一种学术知识图谱问答（KGQA）系统，通过利用大型语言模型（LLM），以少量数据进行训练，回答文献自然语言问题。该模型首先通过基于BERT的句子编码器识别与给定测试问题相关的前n个相似训练问题，并检索它们对应的SPARQL。使用前n个相似的问题-SPARQL对作为示例，以及测试问题创建提示。然后将提示传递给LLM并生成SPARQL。最后，对底层KG-ORKG（Open Research KG）端点运行SPARQL并返回答案。我们的系统在Scholarly-QALD-23挑战基准测试之一SciQA上实现了99.0％的F1得分。

本论文旨在提出一种基于知识图谱的自然语言问答系统，解决学术文献领域中的问题。

论文提出了一种利用大型语言模型和SPARQL查询来回答学术文献领域中自然语言问题的方法。相比于之前的研究，该方法可以在少量数据的情况下进行准确的回答。

论文在SciQA数据集上取得了99.0%的F1分数，证明了该方法的有效性。实验中使用了一个名为ORKG的知识图谱，并提供了开源代码。

近期的相关研究包括：1）基于知识图谱的自然语言问答系统的研究；2）利用大型语言模型来回答自然语言问题的研究。相关论文包括《A Knowledge Graph Based Question Answering System for Biomedical Knowledge》和《Language Models as Knowledge Bases?》等。