知识图谱的问答(基于模板方法 )

一，什么是基于知识图谱的问答(KBQA)？

KBQA--knowledge base question answering，通过对问题进行语义理解及解析，通过知识库进行查询。

二，KBQA的基本要素：

输入：自然语言问句，例如“姚明的老婆是谁？”，“姚明的身高多少？”

输出：知识图谱里的实体或者关系，例如“叶莉”，“2米29”

评价标准：召回率，准确率，F1-Score

三，KBQA的最基础方法--基于模板方法：

步骤：

自然语言查询-->意图识别(Intention Recognition)-->实体链指(Entity Linking)+关系识别(Relation Detection) -->查询语句拼装(Query Construction)-->返回结果选择(Answering Selection)

下面简单介绍下各个步骤的内容：

意图识别(Intention Recognition)：预先准备好意图模板，可以通过相似度来匹配，也可以通过机器学习里的分类问题来解决，这个是所有问答系统都要面临的问题。

实体链指(Entity Linking)+关系识别(Relation Detection)：将查询语句中出现的实体和关系映射到知识图谱里，本质是一个NER问题，只是需要将NER结果进一步链接到图谱。

参考论文：

Entity Linking: Finding Extracted Entitiesin a Knowledge Base

Improved Neural Relation Detection forKnowledge Base Question Answering

查询语句拼装(Query Construction)：需要根据底层知识图谱的查询语言，拼装成对应的query来查询(sparq等)，最简单的方法就是预先定义好查询模板，根据之前解析出来的(意图，实体，关系)填进模板查询即可。

返回结果选择(Answering Selection)：图谱查询之后的结果可能存在多个，需要选择一个最合适的答案，可以预先指定排序规则去选择答案。

基于模板的优点：

查询响应速度快

准确率高，可以回答复杂查询

基于模板的缺点：

要满足用户的各种问法，需要建立庞大的模板库，这个过程是很耗精力的

可以优化的点：

以上步骤最大的问题在于，需要人工事先准备模板，需要很大的工作量，是否可以自动生成模板？

参考论文：Automated Template Generation for Question Answering over KnowledgeGraphs

四，其他方法：

KBQA除了基于模板的方法之外，还有基于语义解析和基于深度学习等方法，后续再开新的文章进行介绍。