知識圖譜的問答(基於模板方法 )

一，什麼是基於知識圖譜的問答(KBQA)？

KBQA--knowledge base question answering，通過對問題進行語義理解及解析，通過知識庫進行查詢。

二，KBQA的基本要素：

輸入：自然語言問句，例如「姚明的老婆是誰？」，「姚明的身高多少？」

輸出：知識圖譜里的實體或者關係，例如「葉莉」，「2米29」

評價標準：召回率，準確率，F1-Score

三，KBQA的最基礎方法--基於模板方法：

步驟：

自然語言查詢-->意圖識別(Intention Recognition)-->實體鏈指(Entity Linking)+關係識別(Relation Detection) -->查詢語句拼裝(Query Construction)-->返回結果選擇(Answering Selection)

下面簡單介紹下各個步驟的內容：

意圖識別(Intention Recognition)：預先準備好意圖模板，可以通過相似度來匹配，也可以通過機器學習里的分類問題來解決，這個是所有問答系統都要面臨的問題。

實體鏈指(Entity Linking)+關係識別(Relation Detection)：將查詢語句中出現的實體和關係映射到知識圖譜里，本質是一個NER問題，只是需要將NER結果進一步鏈接到圖譜。

參考論文：

Entity Linking: Finding Extracted Entitiesin a Knowledge Base

Improved Neural Relation Detection forKnowledge Base Question Answering

查詢語句拼裝(Query Construction)：需要根據底層知識圖譜的查詢語言，拼裝成對應的query來查詢(sparq等)，最簡單的方法就是預先定義好查詢模板，根據之前解析出來的(意圖，實體，關係)填進模板查詢即可。

返回結果選擇(Answering Selection)：圖譜查詢之後的結果可能存在多個，需要選擇一個最合適的答案，可以預先指定排序規則去選擇答案。

四，基於模板方法的優缺點及改進：

基於模板的優點：

查詢響應速度快；準確率高，可以回答覆雜查詢

基於模板的缺點：

要滿足用戶的各種問法，需要建立龐大的模板庫，這個過程是很耗精力的

優化點：

以上步驟最大的問題在於，需要人工事先準備模板，需要很大的工作量，是否可以自動生成模板？

參考論文：Automated Template Generation for Question Answering over KnowledgeGraphs

五，其他方法：

KBQA除了基於模板的方法之外，還有基於語義解析和基於深度學習等方法，後續再開新的文章進行介紹。