UniOQA: A Unified Framework for Knowledge Graph Question Answering with Large Language Models

本文介绍了UniOQA，这是一个统一框架，将两个互补的并行工作流程整合在一起，以提高OwnThink（OQA）中问题回答的整体准确性。与传统方法不同，UniOQA利用大型语言模型（LLMs）进行精确的问题回答，并将直接答案预测过程作为一种成本效益的补充。为了增强表示能力，我们首先对LLM进行微调，将问题翻译成Cypher查询语言（CQL），解决了与限制语义理解和幻觉相关的问题。其次，我们引入实体和关系替换算法，以确保生成的CQL的可执行性。同时，为了提高问题回答的整体准确性，我们进一步将检索增强生成（RAG）过程应用于知识图谱。最终，我们通过动态决策算法优化答案准确性。实验结果表明，UniOQA将SpCQL逻辑准确率提高到21.2％，执行准确率提高到54.9％，在这一基准测试中取得了新的最先进结果。通过消融实验，我们深入探讨了UniOQA的卓越表示能力，并量化了其性能突破。

本论文旨在提高OwnThink中文知识图谱的问题回答准确率，解决现有模型表征能力不足的问题。

UniOQA是一个统一框架，融合了基于大型语言模型的精确问题回答和直接答案预测过程，通过对大型语言模型进行微调，将问题翻译成Cypher查询语言，并引入实体和关系替换算法来确保生成的查询可执行。同时，通过适应检索增强生成（RAG）过程来提高问题回答的整体准确率，最终通过动态决策算法优化答案准确性。

实验结果表明，UniOQA显著提高了SpCQL逻辑准确性和执行准确性，分别达到了21.2%和54.9%，成为该基准测试的新的最先进结果。论文还进行了消融实验，并量化了UniOQA的性能突破。值得注意的是，该论文提出的UniOQA框架可以为中文开放领域知识图谱的问题回答提供一种新的解决方案。

最近，也有一些相关的研究，如：《中文开放领域知识图谱问答方法综述》、《基于知识图谱的智能问答技术研究》等。