s-nlp/KGQASubgraphsRanking

该数据集包含了多个配置，每个配置都有不同的特征和分割。主要特征包括问题、答案、实体、图结构、序列和嵌入向量等。数据集被分割为训练集、验证集和测试集，适用于机器学习模型的训练和评估。

The dataset consists of multiple configurations, each with different features and splits. Main features include questions, answers, entities, graph structures, sequences, and embedding vectors. The dataset is split into training, validation, and test sets, suitable for training and evaluating machine learning models.

原始信息汇总

数据集概述

数据集配置：mistral_outputs

• 特征:
  • id: 字符串
  • question: 字符串
  • target: 字符串
  • answer_0 至 answer_49: 字符串
• 分割:
  • train: 14000个样本，119187546字节
  • test: 4000个样本，12836757字节
  • validation: 2000个样本，14022974字节
• 下载大小: 74850978字节
• 数据集大小: 146047277字节

数据集配置：mistral_subgraphs

• 特征:
  • index: 整数64位
  • id: 字符串
  • question: 字符串
  • answerEntity: 字符串
  • groundTruthAnswerEntity: 字符串
  • questionEntity: 字符串
  • complexityType: 字符串
  • graph: 字符串
  • correct: 布尔值
  • t5_sequence 至 question_answer_embedding: 字符串或浮点数序列
• 分割:
  • train: 32757个样本，1369797466字节
  • validation: 32757个样本，1369797466字节
  • test: 9749个样本，407425784字节
• 下载大小: 1809811773字节
• 数据集大小: 3147020716字节

数据集配置：mixtral_outputs

• 特征:
  • id: 字符串
  • question: 字符串
  • target: 字符串
  • answer_0 至 answer_49: 字符串
• 分割:
  • train: 14000个样本，119187546字节
  • test: 4000个样本，34086529字节
  • validation: 2000个样本，17181713字节
• 下载大小: 88750560字节
• 数据集大小: 170455788字节

数据集配置：mixtral_subgraphs

• 特征:
  • index: 整数64位
  • id: 字符串
  • question: 字符串
  • answerEntity: 字符串
  • groundTruthAnswerEntity: 字符串
  • questionEntity: 字符串
  • complexityType: 字符串
  • graph: 字符串
  • correct: 布尔值
  • t5_sequence 至 question_answer_embedding: 字符串或浮点数序列
• 分割:
  • train: 32757个样本，1369797466字节
  • validation: 32757个样本，1369797466字节
  • test: 9749个样本，407425784字节
• 下载大小: 1809811773字节
• 数据集大小: 3147020716字节

数据集配置：t5largessm_outputs

• 特征:
  • question: 字符串
  • target: 字符串
  • answer_0 至 answer_199: 字符串
  • target_out_of_vocab: 布尔值
• 分割:
  • train: 16000个样本，55937176字节
  • validation: 2000个样本，7843856字节
  • test: 4000个样本，13934904字节
• 下载大小: 52544514字节
• 数据集大小: 77715936字节

数据集配置：t5largessm_subgraphs

• 特征:
  • id: 字符串
  • question: 字符串
  • answerEntity: 字符串
  • questionEntity: 字符串
  • groundTruthAnswerEntity: 字符串
  • complexityType: 字符串
  • graph: 字符串
  • correct: 布尔值
  • t5_sequence 至 question_answer_embedding: 字符串或浮点数序列
• 分割:
  • train: 65402个样本，1776110070字节
  • validation: 65402个样本，1776110070字节
  • test: 16567个样本，449834999字节
• 下载大小: 3873022126字节
• 数据集大小: 4002055139字节

数据集配置：t5xlssm_outputs

• 特征:
  • question: 字符串
  • target: 字符串
  • answer_0 至 answer_56: 字符串
• 分割:
  • train: 16000个样本，55937176字节
  • validation: 2000个样本，7843856字节
  • test: 4000个样本，13934904字节
• 下载大小: 52544514字节
• 数据集大小: 77715936字节

搜集汇总

数据集介绍

构建方式

在知识图谱问答（KGQA）领域，子图排序任务旨在从候选子图中精准定位蕴含答案的结构。该数据集以KGQA任务为背景，通过多模型多视角的构建范式，整合了Mistral、Mixtral、T5-large-SSM及T5-XL-SSM等四种先进语言模型的输出结果与子图结构信息。每个配置均包含问题、目标答案、候选答案序列及子图拓扑特征，如节点数、边密度、Katz中心性等图论指标，同时嵌入T5、GAP等序列的语义表征，形成覆盖输出层与结构层的复合数据集。训练集、验证集与测试集的分割确保了模型评估的严谨性。

特点

该数据集最显著的特征在于其多维度的信息融合能力。它不仅提供了不同语言模型对同一问题的多样化答案候选（如Mistral输出50个候选，T5-large-SSM输出200个），还深度刻画了子图的微观结构属性，包括桥接边、环的存在性及平均最短路径长度等。这种输出与结构并重的设计，使得研究者能够同时考察模型的生成偏好与知识图谱的语义连通性。此外，嵌入向量的预计算（如determ_sequence_embedding）大幅降低了特征工程的门槛，为端到端学习提供了便利。

使用方法

研究人员可通过HuggingFace Datasets库直接加载该数据集的任意配置，例如使用load_dataset('s-nlp/KGQASubgraphsRanking', 'mistral_subgraphs')获取子图数据。对于排序任务，可将问题与候选答案序列作为输入，以目标答案作为监督信号，训练排序模型。子图配置中的图结构字段（如graph）与拓扑指标可用于图神经网络的研究。嵌入字段（如question_answer_embedding）可直接输入至下游分类器或相似度计算模块，实现零样本推理或迁移学习。

背景与挑战

背景概述

在知识图谱问答（KGQA）领域，如何从庞大的知识图谱中精准检索并推理出与自然语言问题相关的子图，一直是提升问答系统性能的核心挑战。s-nlp/KGQASubgraphsRanking数据集由S-NLP团队创建，旨在推动子图排序与神经符号推理的研究。该数据集基于多个大型语言模型（如Mistral、Mixtral、T5-Large和T5-XL）生成的输出与子图结构，涵盖了问题、目标答案、候选答案列表以及丰富的图结构特征（如节点数、边密度、中心性指标等）。其核心研究问题在于如何有效利用图结构信息与语义嵌入来对候选子图进行排序，从而提升KGQA的准确性与可解释性。该数据集的发布为子图排序任务提供了标准化基准，对推动知识图谱与自然语言处理的交叉研究具有重要影响力。

当前挑战

该数据集所解决的领域问题在于知识图谱问答中子图排序的复杂性：自然语言问题往往对应知识图谱中的多个候选子图，需要模型在结构相似性和语义相关性之间做出精确权衡。构建过程中面临的主要挑战包括：（1）多模型输出的对齐与一致性，不同语言模型生成的候选答案在数量和语义上存在差异，需统一为标准格式；（2）图结构特征的提取与嵌入计算，涉及密度、中心性、最短路径长度等数十种拓扑指标的并行计算，以及多种序列嵌入（如T5、GAP、Deterministic）的生成与存储；（3）大规模数据管理，子图配置包含超过6.5万个训练样本，每个样本携带高维浮点嵌入，导致总数据集规模超过4GB，对存储与加载效率提出严苛要求。

常用场景

经典使用场景

在知识图谱问答（KGQA）领域，s-nlp/KGQASubgraphsRanking数据集为子图排序任务提供了标准化评测基准。该数据集将自然语言问题映射至知识图谱中的候选子图，要求模型从多个候选子图中精准识别出与问题语义最匹配的正确答案子图。经典使用场景涵盖基于图神经网络（GNN）的排序模型训练、预训练语言模型与图结构信息的融合方法验证，以及序列到图（Seq2Graph）范式的性能评估。通过提供包含Mistral、Mixtral、T5等多种大语言模型生成的候选子图及其拓扑特征，该数据集成为评估模型在复杂推理路径中选择能力的重要平台。

解决学术问题

该数据集核心解决了知识图谱问答中候选子图冗余与噪声导致的答案歧义问题。传统方法依赖实体链接和关系路径抽取，但常因图结构复杂而产生大量无关子图。该数据集通过引入子图结构特征（如节点数、边密度、PageRank值）与语义嵌入（如T5序列嵌入、GAP序列嵌入），为学术研究提供了量化子图质量的多维指标。研究学者可借此探索图结构特征与语义相似性之间的关联机制，验证基于对比学习的子图排序方法，以及分析不同大语言模型对子图生成质量的影响，从而推动KGQA系统在复杂问题上的鲁棒性提升。

衍生相关工作

该数据集衍生出一系列开创性研究工作。基于其提供的多模型候选子图，研究者提出了结合图注意力网络（GAT）与对比学习的子图排序框架，显著提升了排序精度。另有工作利用该数据集探索了子图拓扑结构对语言模型推理能力的影响，提出了结构感知的提示学习方法。在预训练模型方面，衍生工作对比了T5、Mistral等模型在子图生成中的偏差，并开发了跨模型知识蒸馏策略以优化排序效率。此外，该数据集还催生了动态子图剪枝方法的研究，通过图密度和桥接边等特征实现推理路径的轻量化，推动了KGQA系统在资源受限设备上的部署可能性。