文章预览
笔记整理：金龙，浙江大学硕士，研究方向为知识图谱表示学习 论文链接：https://arxiv.org/abs/2311.09149 发表会议：ACL2024 1. 动机 尽管大语言模型在解决通用任务下表现出强大的能力，但在时间知识图谱问答下的效果表现欠佳，原因可以归结为以下两点：（1）缺乏时间相关的知识。2） 缺乏复杂的时间推理 能力。现有的方法如RAG虽然可以引入时间相关知识，但 检索精度和输入长度限制可能会导致不相关的噪音和不完整的推理；通过定制例子可以指导大模型生成更准确的推理，但不能满足不同的实际任务，并且需要大量的时间和人力来获取高质量的例子。因此作者提出摘要 推理归纳（ ARI）框架增强实用性。 2. 方法 将时间知识推理分为两部分：基于知识的模块和知识不可知的模块。 基于知识的模块 根据给定的问题提取相关的 TKG子图，通过遍历生成所
………………………………
