@[toc]
使用WebQSP结果较好：ChatKBQA、GoG
使用多跳推理数据集HotpotQA等：KGP-T5，LongRAG，GNN-Ret，为长文本/多跳类任务
1 KnowPAT(ACL2024Findings)
<a name="标题名称"></a>
1.1 解决的问题
将大模型应用于特定知识领域的问答任务，并新增一种对齐目标——人类偏好对齐。
1.2 方法
- 知识检索：通过无监督的问题-知识相似度计算得到Top K个相关知识，无需人工标注的数据。
- 生成两个偏好集合：风格偏好（SPS）和知识偏好（KPS）。风格偏好集合通过不同的LLM生成，知识偏好集合通过将相似度不同的知识分成三组生成。
-
微调和偏好对齐
pipeline
1.3 实验和数据集
数据集：私有数据集和公开数据集，公开数据集是RJUA-QA（专业知识数据集）
有无代码：有
算力：未知
2 ChatKBQA(Findings of ACL 2024)
2.1 解决的问题
三大挑战：KBQA领域检索效率低，检索错误影响语义解析，KBQA方法的复杂性。
ChatKBQA是一种基于微调LLM的“先生成后检索”KBQA框架。
2.2 方法
2.3 实验和数据集
数据集：KBQA数据集WebQSP和CWQ
代码：https://github.com/LHRLAB/ChatKBQA
算力：a single NVIDIA A40 GPU (48GB)
3 KGP-T5（AAAI2024）
3.1 解决的问题
需要深入理解文档内容和结构之间逻辑关联的多文档问答任务。KGP知识图谱提示方法能够提示LLM进行MD-QA时构建正确的上下文，利用图谱增强了LLM。KGP包括一个图谱构建模块和一个图谱遍历模块。
3.2 方法
3.3实验及数据集
数据集：HotpotQA，IIRC，2WikiMQA，MuSiQue
代码：https://github.com/YuWVandy/KG-LLM-MDQA
算力：未知，但文中有写IRCoT requires running on A100-80G GPU, which is not affordable on our side，推测比这个需要的小（...）
4 Code-Style In-Context Learning for Knowledge-Based Question Answering
4.1 解决的问题
LLM在预训练期间对逻辑形式的接触很少，导致在生成逻辑形式时具有很高的格式错误率。
4.2 方法
4.3 实验及数据集
这篇有点特殊参考意义好像不大，不贴实验结果了。
数据集： GrailQA, WebQSP, GraphQ
代码：https://github.com/Arthurizijar/KB-Coder
5 GoG（EMNLP2024）
5.1 解决的问题
知识图谱往往无法覆盖回答问题所需的所有知识，GoG是一种针对不完整知识图谱问答（IKGQA）新任务的一种无需训练的方法，通过结合LLMs的推理能力和知识图谱的结构信息，来生成新的事实三元组并回答问题。
5.2 方法
5.3 实验和数据集
数据集：CWQ，WebQSP
代码：https://github.com/YaooXu/GoG
算力：未知
6 Interactive-KBQA(ACL2024)
6.1 解决的问题
在低资源场景下充分利用LLMs将问题转化为逻辑形式仍然是一个重大挑战，InteractiveKBQA通过直接与知识库（KBs）交互来生成逻辑形式。
6.2 方法
6.3 实验和数据集
数据集：WebQSP、CWQ、KQA Pro和MetaQA
代码：https://github.com/JimXiongGM/Interactive-KBQA
算力： four NVIDIA A100 80GB GPUs
7 LongRAG: A Dual-Perspective Retrieval-Augmented Generation Paradigm for Long-Context Question Answering（EMNLP 2024 Main）
7.1 解决的问题
长文本问答的“中间迷失”问题，增强RAG对复杂长文本知识（即全局信息和事实细节）的理解。
7.2 方法
7.3 实验和数据集
数据集：HotpotQA，2WikiMQA，MusiQue
有无代码：有
算力：8xA100 GPUs (80G each)
8 GNN-Ret
9.1 解决的问题
现有的检索方法通常将参考文档分割成段落，并将它们作为独立单元进行处理，识别这种关联性是一个挑战。本文通过图神经网络来挖掘这种关联性，并用循环图神经网络来处理多跳推理。
8.2 方法
8.3 实验和数据集
数据集：MuSiQue,IIRC,2WikiMQA
有无代码：有
算力：未知
9 Q-KGR（findings of EMNLP2024）
9.1 解决的问题
检索到的子图往往有噪声，Q-KGR消除输入的噪声路径，还引入了Knowformer，用于将重评分后的知识图谱注入到大型语言模型中，以增强大模型事实推理的能力。
9.2 方法
9.3 实验和数据集
数据集：OBQA，Riddle，ARC，PIQA
有无代码：有
算力：A100-80G GPUs.（没具体写几张）
10 KS-LLM
10.1 解决的问题
知识密集型任务中的幻觉问题，本文首先根据输入问题生成三元组，然后从证据文档中选择与这些三元组最相似的证据句子，从证据文档中识别出有价值的信息。
10.2 方法
10.3实验和数据集
数据集： TriviaQA, WebQ, and NQ（知识密集型数据集，问题+证据文档）
有无代码：无
算力：未知
11 EFSum
11.1 解决的问题
面向证据，通过蒸馏和偏好对齐优化LLM作为事实摘要器，提高了LLM在零样本问答任务上的性能。
11.2 方法
11.3 实验和数据集
数据集：WebQSP，Mintaka
有无代码：有
算力：未知
12 G-Retriever
12.1 解决的问题
创新出一种图问答方法，而不是整合LLM与GNN，并允许处理远超LLM上下文窗口大小的文本图。
12.2 方法
12.3 实验与数据集
数据集：ExplaGraphs，SceneGraphs，WebQSP
算力： 2 NVIDIA A100-80G GPUs
有无代码：有
