隨著諸如DBPedia和FreeBase等大規(guī)模知識圖譜的快速發(fā)展。知識圖譜知識問答在過去幾年引起了廣泛注意。

KBQA: 知識圖譜上的問答系統(tǒng)

給定自然語言(NL)形式的問題，KBQA的目標是在潛在的知識圖譜上自動尋求答案。這提供了一個更加自然更加直觀的方式去訪問大規(guī)模的潛在的知識資源。

KBQA的主要挑戰(zhàn)在于詞匯間隔(lexical gap)。例如同樣的問題可以通過多種自然語言形式進行表達，但是在知識圖譜中只有一種最簡潔的詞匯表達。因此，將自然語言問題映射到結構化的知識圖譜上不是一個簡單問題。

實現(xiàn)KBQA的方法大致可以分為兩大類:

語義分析(Semantic Parsing, SP)信息檢索(Information Retrieval, IR)
目前比較流行的**基于嵌入的方法(embedding based methods)**就是信息檢索方法的一種。

語義分析方法

基于語義分析的方法通過構建一個將自然語言問題(NL question)轉化為可以被知識圖譜執(zhí)行的中介邏輯形式(intermedia logic form)。傳統(tǒng)的語義分析其需要標注好的邏輯形式作為監(jiān)督(supervision)，并且受制于只有少量邏輯謂詞狹窄域。最近的研究通過人工編制規(guī)則(hand-craft rules)或者特征模式匹配(features schema matching)，以及來自外部資源的弱監(jiān)督(weak supervision from external resources來打破這種限制。

信息檢索方法

基于語義分析的方法通常假定一個預定義的詞匯觸發(fā)器集合或規(guī)則集合，這使得這些方法能使用的領域和擴展性受到限制。信息檢索方法直接借助問題所傳達的信息從知識圖譜上檢索答案。所以信息檢索方法不需要人工編制規(guī)則并且能夠擴展到更大更復雜的知識圖譜上。

目前多種基于嵌入的方法都展現(xiàn)了頗具前景的結果。這種類型的方法采用多種形式來編碼 問題和知識圖譜子圖，并且直接在映射空間上對它們進行匹配，并且可以使用端到端的方式進行訓練。

參考文獻

Bidirectional Attentive Memory Networks for Question Answering over Knowledge Bases Yu Chen, Lingfei Wu, Mohammed J. Zaki, NAACL-HLT (1) 2019: 2913-2923.

總結

以上是生活随笔為你收集整理的KBQA: 知识图谱上的问答系统概述的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。