面向知识库的问答(Question answering over knowledge base,KBQA)是问答系统的重要组成.近些年,随着以深度学习为代表的表示学习技术在多个领域的成功应用,许多研究者开始着手研究基于表示学习的知识库问答技术.其基本假设是把知识库...面向知识库的问答(Question answering over knowledge base,KBQA)是问答系统的重要组成.近些年,随着以深度学习为代表的表示学习技术在多个领域的成功应用,许多研究者开始着手研究基于表示学习的知识库问答技术.其基本假设是把知识库问答看做是一个语义匹配的过程.通过表示学习知识库以及用户问题的语义表示,将知识库中的实体、关系以及问句文本转换为一个低维语义空间中的数值向量,在此基础上,利用数值计算,直接匹配与用户问句语义最相似的答案.从目前的结果看,基于表示学习的知识库问答系统在性能上已经超过传统知识库问答方法.本文将对现有基于表示学习的知识库问答的研究进展进行综述,包括知识库表示学习和问句(文本)表示学习的代表性工作,同时对于其中存在难点以及仍存在的研究问题进行分析和讨论.展开更多
知识库问答(Knowledge Base Question Answering,KBQA)借助知识库中精度高、关联性强的结构化知识,为给定的复杂事实型问句提供准确、简短的答案.语义解析是知识库问答的主流方法之一,该类方法在给定的问句语义表征形式下,将非结构化的...知识库问答(Knowledge Base Question Answering,KBQA)借助知识库中精度高、关联性强的结构化知识,为给定的复杂事实型问句提供准确、简短的答案.语义解析是知识库问答的主流方法之一,该类方法在给定的问句语义表征形式下,将非结构化的问句映射为结构化的语义表征,再将其改写为知识库查询获取答案.目前,面向知识库问答的语义解析方法主要面临三个挑战:首先是如何选择合适的语义表征形式以表达问句的语义,然后是如何解析问句的复杂语义并输出相应的语义表征,最后是如何应对特定领域中数据标注成本高昂、高质量数据匮乏的问题.本文从上述挑战出发,分析了知识库问答中常用的语义表征的特点与不足,然后梳理现有方法并总结分析其如何应对问句的复杂语义,接着介绍了当前方法在标注数据匮乏的低资源场景下的尝试,最后展望并讨论了面向知识库问答的语义解析的未来发展方向.展开更多
基于知识图谱的问答系统(knowledge base question answering,KBQA)目前已成为自然语言处理中的热门研究领域。问答系统的应用涉及诸多领域,如医药、电力、交通等各个方面。由此可见,问答系统已成为社会生产发展中必不可少的一项技术。...基于知识图谱的问答系统(knowledge base question answering,KBQA)目前已成为自然语言处理中的热门研究领域。问答系统的应用涉及诸多领域,如医药、电力、交通等各个方面。由此可见,问答系统已成为社会生产发展中必不可少的一项技术。该文聚焦于国内外针对知识图谱的问答系统的研究与应用,对其进行分析梳理,总结了知识图谱、知识库以及问答系统的历史、发展及应用等相关知识,以及现有基于知识图谱的问答系统构建的三类方法,分别为基于模板匹配的方法、基于语义解析的方法以及基于向量建模的方法,探究了深度学习对传统问答系统效果的影响。最后,对基于知识图谱的问答系统技术的未来以及发展进行展望。研究表明:随着人工智能的蓬勃发展,问答系统存在的技术难题不断得到解决,将知识图谱和深度学习技术应用于传统问答系统以提升问答效果已成为大势所趋。展开更多
文摘面向知识库的问答(Question answering over knowledge base,KBQA)是问答系统的重要组成.近些年,随着以深度学习为代表的表示学习技术在多个领域的成功应用,许多研究者开始着手研究基于表示学习的知识库问答技术.其基本假设是把知识库问答看做是一个语义匹配的过程.通过表示学习知识库以及用户问题的语义表示,将知识库中的实体、关系以及问句文本转换为一个低维语义空间中的数值向量,在此基础上,利用数值计算,直接匹配与用户问句语义最相似的答案.从目前的结果看,基于表示学习的知识库问答系统在性能上已经超过传统知识库问答方法.本文将对现有基于表示学习的知识库问答的研究进展进行综述,包括知识库表示学习和问句(文本)表示学习的代表性工作,同时对于其中存在难点以及仍存在的研究问题进行分析和讨论.
文摘知识库问答(Knowledge Base Question Answering,KBQA)借助知识库中精度高、关联性强的结构化知识,为给定的复杂事实型问句提供准确、简短的答案.语义解析是知识库问答的主流方法之一,该类方法在给定的问句语义表征形式下,将非结构化的问句映射为结构化的语义表征,再将其改写为知识库查询获取答案.目前,面向知识库问答的语义解析方法主要面临三个挑战:首先是如何选择合适的语义表征形式以表达问句的语义,然后是如何解析问句的复杂语义并输出相应的语义表征,最后是如何应对特定领域中数据标注成本高昂、高质量数据匮乏的问题.本文从上述挑战出发,分析了知识库问答中常用的语义表征的特点与不足,然后梳理现有方法并总结分析其如何应对问句的复杂语义,接着介绍了当前方法在标注数据匮乏的低资源场景下的尝试,最后展望并讨论了面向知识库问答的语义解析的未来发展方向.
文摘基于知识图谱的问答系统(knowledge base question answering,KBQA)目前已成为自然语言处理中的热门研究领域。问答系统的应用涉及诸多领域,如医药、电力、交通等各个方面。由此可见,问答系统已成为社会生产发展中必不可少的一项技术。该文聚焦于国内外针对知识图谱的问答系统的研究与应用,对其进行分析梳理,总结了知识图谱、知识库以及问答系统的历史、发展及应用等相关知识,以及现有基于知识图谱的问答系统构建的三类方法,分别为基于模板匹配的方法、基于语义解析的方法以及基于向量建模的方法,探究了深度学习对传统问答系统效果的影响。最后,对基于知识图谱的问答系统技术的未来以及发展进行展望。研究表明:随着人工智能的蓬勃发展,问答系统存在的技术难题不断得到解决,将知识图谱和深度学习技术应用于传统问答系统以提升问答效果已成为大势所趋。