摘要
复杂的知识库问答（KBQA）通常通过信息检索针对特定问题的子图或语义解析为可执行的逻辑形式来解决。我们研究了后者的范式。近期的大型语言模型代理使得语义解析变得互动：它们在推理、查询知识库和扩展部分SPARQL查询之间交替进行。这种交错减少了对一次性生成的依赖，但使得知识库的基础（KB grounding）质量取决于交互工具的展示。现有的代理主要通过词汇相关性和实例级观察来检索或修剪候选属性，而没有系统地基于实体类型、属性域和范围或预期答案类型进行条件过滤。我们将这种失败模式称为“盲类型基础”。它扩大了基础搜索空间，通常会产生看似合理但语义不兼容的三元组模式，执行结果为空。
我们提出了SAGA（模式感知基础的智能文本到SPARQL生成），这是一个无需训练的框架，将属性探索转变为一个模式约束的基础操作。SAGA维持一个持久的双向类型状态，在构建时过滤已知不兼容的属性候选，呈现剩余的图模式以紧凑的模式注释格式，并通过经验和局部证据宽容地处理缺失的模式信息。在对Wikidata和Freebase的九个基准设置中，SAGA在所有九个设置中都达到了最高的F1分数，并在八个设置中达到了最高的精确匹配精度，同时在所有报告的Wikidata设置中减少了空结果查询。
博主点评： SAGA的提出标志着在语义解析领域的一次重要进步，通过模式感知的方式显著提高了问答系统的准确性与效率，尤其是在处理复杂知识库时表现突出。这种方法为未来的智能问答系统提供了新的思路，值得深入研究与应用。