BioGraphletQA：复杂 QA 数据集的知识锚定生成

本文提出了一个原则性的、可扩展的框架，用于系统地生成复杂的问答（QA）数据。该框架的核心是图基元锚定生成过程，其中知识图谱（KG）中的小子图用于结构化提示中，以控制复杂性并确保 大语言模型 生成的问题的事实依据。该框架的第一个实例是 BioGraphletQA，这是一个包含 119,856 个 QA 对的新生物医学 KGQA 数据集。每个条目都基于来自 OREGANO KG 的最多五个节点的图，其中大多数对都通过 PubMed 的相关文档片段进行了丰富。我们首先通过领域专家对 106 个 QA 对的评估来展示框架的价值和数据集的质量，确认所生成数据的高度科学有效性和复杂性。其次，我们通过证明用我们的数据增强下游基准来确定其实用性，在资源不足的情况下，PubMedQA 的准确性从 49.2% 提高到 68.5%，在资源充足的情况下，MedQA 的准确性从 41.4% 基线提高到 44.8%。我们的框架提供了一个强大且通用的解决方案，用于创建关键资源来推进复杂的 QA 任务，包括 MCQA 和 KGQA。支持这项工作的所有资源，包括数据集 (https://zenodo.org/records/17381119) 和框架代码 (https://github.com/ieeta-pt/BioGraphletQA)，都是公开可用的，以促进使用、再现性和扩展。