來源：NLPCC 2017

論文下載地址：http://tcci.ccf.org.cn/conference/2017/papers/2003.pdf

動機

開放領域的QA問題是一個被廣泛研究的問題，而且目前這個問題并沒有被很好地解決。在中文領域，相關的數據集并不多。而NLPCC開放了一個KBQA比賽，為中文KBQA提供了一個很好的數據集。本文使用了基于特征的方法來完成實體鏈接，并基于詞向量對候選謂詞進行初篩。之后，文章采用了深度CNN模型來重排實體-謂詞對，從而找到最正確的實體-謂詞。

貢獻

文章的貢獻有：

（1）提出了一種基于特征的實體鏈接方法；

（2）提出了一種基于詞向量的候選謂詞初篩方法；

（3）提出了一種基于深度CNN的謂詞排序方法。

方法

⒈模型結構

首先人工構建特征，選取可能的實體指稱。然后使用非監督的詞向量，來選擇候選的謂詞。當得到實體-謂詞對之后，采用deep-CNNs模型來重排它們。最后將所有的中間結果（打分）加權和，就得到最后的謂詞，以及答案。另外，這里有個小trick，就是當一個問題經過解析，只有實體名，那么這個問題可能是關于這個實體的介紹，所以實體的謂詞就為“introduce”，在知識圖譜中得到這個實體的介紹信息并輸出為答案。

?

⒉實體鏈接

NLPCC的KB中，實體是類似于“Li Na (Diving Athlete)”這樣的，有實體名，也可能有擴展描述信息。實體指稱是問題的一個子串，并且指稱與實體名相同，或者與實體名的別名相同（NLPCC有文件提供了這個別名）。這里建立特征后，用GBDT去選擇問題的所有子串中真正的實體指稱子串。

這里首先使用正向最大匹配法（FMM，forwardmaximum matching）來進行切詞后，再使用逆向最大匹配法（RMM，reverse maximum matching）來進行切詞。RMM的基本原理與FMM基本相同，不同的是分詞的方向與FMM相反。RMM是從待分詞句子的末端開始，也就是從右向左開始匹配掃描，每次取末端m個字作為匹配字段，匹配失敗，則去掉匹配字段前面的一個字，繼續匹配。

當得到一個分詞結果之后，句子中每一個分詞視為一個候選實體指稱，對每一個指稱利用規則生成特征，在得到這些特征后，形成數值，并送到GBDT模型進行訓練，從而分類出候選指稱是黃金指稱的概率S_men。

?

⒊候選謂詞識別

經過特殊分詞（找到問句和謂詞中所有具有意義的詞/詞組），利用下式來判斷謂詞是否能夠問句中謂詞模式的語義：

其中wp_i表示謂詞中第i個詞，wq_i表示問題中第i個詞，lp_i表示wp_i的長度。即對謂詞中的每個詞，找到問題中語義最相近的詞，并乘上謂詞的某個詞的長度，最后求平均。

對于該公式，又做了改進：

這里是反過來，對問題中每個詞，找到謂詞中語義最相近的詞（ave_q表示所有問題中所有詞的平均詞向量，這里代表無意義的停用詞的詞向量），并乘上問題的某個詞的長度，最后求平均。

?

⒋深度CNN結構

深度CNN用來重排序實體-謂詞對與問題的相似程度，從而進行精確篩選。如下圖1所示是deep-CNN的結構。該模型用來計算謂詞和問句（去掉實體指稱）的語義相似度。模型中采用了兩個卷積層，并利用了殘差網絡進行連接。經過最大池化后，問題的向量和謂詞的向量進行按位乘后，再通過一個使用了dropout的全連接層（MLP），來得到最終的相似度。處理問題和謂詞的卷積層的參數是共享的。每一個卷積層，卷積寬度不同（256個寬度為1的核、512個寬度為2的核、256個寬度為3的核），并對不同核得到的結果進行拼接。另外，相鄰的卷積層之間有殘差網絡連接。

最終得到基于deep-CNN的相似度S_CNN。將所有的得分相加，即得到一個實體-謂詞對于問題的相似度的最終得分：S_final =S_men + S_f + S_CNN * 2。最大得分的實體-謂詞對應的賓語就是最終答案。

實驗

實驗用的數據集是NLPCC 2017的比賽用數據集，有知識庫和問題-答案對，用于訓練。知識圖譜中有43M的SPO三元組，有14609+9870個NLPCC 2016的問題-答案對來訓練。在訓練CNN時，由于正負例極度不平衡，所以采用動態負采樣算法來篩選負例，選擇一個樣本的概率如下式所示：

其中，rank_epi表示上一次迭代后（每次訓練都會取出一個樣本，那么排名會發生變化），一個實體-謂詞對的排名，排名越大，說明這個實體-謂詞對與問題的相似度越低。這就是一個簡單的生成對抗模型（generative adversarialmechanism），因為rank越大，說明這個實體-謂詞對越不靠譜，也就是對于模型的分類效果來說提升很小（太容易區分了），所以選中作為負樣本的概率越小。這樣就有了一個對抗模型的思想在里面。

如圖3所示，為模型的實體鏈接結果，效果與之前的工作差不多（99.04%）。

圖3 實體鏈接模型性能對比

如圖4所示，是候選實體-謂詞對的識別情況。由圖可見，效果比baseline的系統要好。

圖4 候選實體-謂詞對的識別情況

如圖5所示，是系統的問答效果，可見集合了所有特征的系統效果最好。

圖5 系統的問答效果

如圖6所示，是本文系統與其他基線系統的性能對比。可見本文系統效果最佳。

圖6 各系統在NLPCC KBQA比賽結果對比

總結

本文提出了一種復雜的中文KBQA模型，包含了基于特征的、GBDT分類的實體鏈接，基于詞向量的候選謂詞初篩，以及基于deep-CNN的實體-謂詞重排序，最終得到了可以回答問題的實體-謂詞對。對于CNN訓練中的正負例不平衡問題，也提出了具有對抗生成思想的負采樣算法。最終，文章提出的系統在NLPCC 2017比賽中獲得第一名。文章中的許多方法都是在工程上易于實現的，可以借鑒到實際應用中。未來可以考慮將三元組的賓語的信息一并結合進來，用于實體-謂詞的篩選。

?

論文筆記整理：花云程，東南大學博士，研究方向為知識圖譜問答、自然語言處理。

---

OpenKG.CN

中文開放知識圖譜（簡稱OpenKG.CN）旨在促進中文知識圖譜數據的開放與互聯，促進知識圖譜和語義技術的普及和廣泛應用。

點擊閱讀原文，進入 OpenKG 博客。

總結

以上是生活随笔為你收集整理的论文浅尝 | 面向单关系事实问题的中文问答模型的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。