本文是LLM系列文章,针对《SGSH: Stimulate Large Language Models with Skeleton Heuristics for Knowledge Base Question Generation》的翻译。
摘要
知识库问题生成(KBQG)旨在从知识库中提取的一组三元组事实中生成自然语言问题。由于丰富的语义知识,现有的方法通过预训练的语言模型(PLM)显著提高了KBQG的性能。随着预训练技术的进步,大型语言模型(LLMs)(如GPT-3.5)无疑拥有更多的语义知识。因此,如何有效地组织和利用KBQG的丰富知识成为我们研究的重点。在这项工作中,我们提出了SGSH——一个简单有效的框架,用骨架启发式来激励GPT-3.5,以增强KBQG。该框架结合了“骨架启发式”,它提供了与每个输入相关的更细粒度的指导,以激励LLM生成最佳问题,包括问题短语和助动词等基本元素。更具体地说,我们设计了一种利用ChatGPT构建骨架训练数据集的自动数据构建策略,在此基础上,我们采用软提示方法来训练BART模型,专门用于生成与每个输入相关的骨架。随后,骨架启发式算法被编码到提示中,以激励GPT-3.5生成所需的问题。大量实验表明,SGSH在KBQG任务上获得了最新的最先进性能。代码现在可以在