QirK: Question Answering via Intermediate Representation on Knowledge Graphs

我们展示了QirK，这是一个用于在知识图谱（KG）上回答自然语言问题的系统。QirK可以回答结构复杂的问题，这些问题仍然超出了新兴的大型语言模型（LLM）的能力范围。它通过使用数据库技术、LLM和基于向量嵌入的语义搜索的独特组合来实现。这些组件的粘合剂是一个中间表示（IR）。输入问题使用LLM映射到IR，然后通过基于向量嵌入的语义搜索修复为有效的关系型数据库查询。这允许将LLM的能力和KG的可靠性实现实际合成。在https://youtu.be/6c81BLmOZ0U上提供了演示QirK的短视频。

QirK试图解决自然语言问答在知识图谱上的挑战，特别是对于结构复杂的问题，这是目前大型语言模型无法解决的问题。这是否是一个新问题？

QirK使用数据库技术、大型语言模型和基于向量嵌入的语义搜索的组合来解决自然语言问答的问题。通过中间表示，将输入的问题映射到IR，然后使用语义搜索在向量嵌入上修复IR，生成有效的关系型数据库查询。这种方法实现了大型语言模型和知识图谱可靠性的实用结合。

论文通过实验验证了QirK的有效性，并提供了一个演示视频。实验使用了公开数据集，论文还开源了代码。QirK的组合方法可以应用于其他自然语言问答问题。值得进一步研究的是如何进一步提高QirK的性能。

在这个领域中，最近的相关研究包括OpenKE、KGQA、KG-BERT等。