UnifiedSKG：利用文本到文本语言模型统一和多任务处理结构化知识 grounding

结构化知识接地（Structured Knowledge Grounding, SKG）利用结构化知识来完成用户请求，例如数据库上的语义解析和知识库上的问题回答。由于SKG任务的输入和输出具有异质性，不同的研究社区对其进行了独立的研究，这限制了系统性和兼容性的SKG研究。在本文中，我们通过提出UnifiedSKG框架克服了这一局限性，该框架将21个SKG任务统一为文本到文本的格式，旨在促进系统性的SKG研究，而不是局限于单一任务、领域或数据集。我们使用UnifiedSKG对不同规模的T5模型进行基准测试，并显示经过必要时的简单修改，T5在几乎所有21个任务上都达到了最先进的性能。我们进一步证明了多任务前缀调优可以提高大多数任务的性能，显著提升了整体表现。UnifiedSKG还促进了零样本和少样本学习的研究，我们展示了T0、GPT-3和Codex在零样本和少样本学习中的SKG任务上表现不佳。此外，我们还使用UnifiedSKG对跨SKG任务的各种结构化知识编码变体进行了系列受控实验。UnifiedSKG易于扩展到更多任务，并且其源代码已开源至https://github.com/hkunlp/unifiedskg。