肖仰华 | 基于知识图谱的问答系统

肖仰华教授分享了在VLDB 2017会议上的论文,介绍KBQA系统,该系统将自然语言问题转换为知识库的结构化查询。文章讨论了问答系统的重要性,知识库的发展,以及基于模板和神经网络的解决方案的优缺点。提出了一种结合二者优点的新方法,自动学习模板并进行属性推断,解决了问题表示和语义匹配的挑战。实验结果显示,该方法在属性推断和问答准确性上表现出优势。
摘要由CSDN通过智能技术生成

本文转载自公众号知识工场


                                              

本文整理自复旦大学知识工场肖仰华教授在VLDB 2017 会议上的论文报告,题目为《KBQA: Learning Question Answering over QA Corpora and Knowledge Bases》,作者包括:崔万云博士(现上海财经大学讲师),肖仰华教授(复旦大学)等等。


VLDB (Very Large Data Base) 是数据库领域最顶尖的国际会议之一,被中国计算机学会推荐国际学术会议列表认定为 A 类会议。涵盖数据库系统、数据管理、大数据处理、数据挖掘等各个研究领域,是展现数据库前沿科研成果以及探讨数据库未来发展方向的盛会。


肖仰华:大家好,非常高兴能在这里与大家分享我们的论文。


问答系统(QA)已经成为人类访问十亿级知识图谱的流行方式,它回答的是自然语言问题。 QA系统最有名的故事之一就是IBM WATSON在2011年参加了Jeopardy竞赛,打败了所有人类竞争对手,获得了100万美元的奖励。



QA的研究非常重要。首先,从应用角度来看,QA系统降低了人机交互的门槛, 非常适合成为互联网的新入口。作为聊天机器人的重要组件,吸引了来自工业界的大量关注。

从人工智能角度来看,QA是评估机器智能的一个重要任务,也就是图灵测试。同时,QA还是许多AI技术的重要测试平台,比如机器学习,自然语言处理,机器认知等等




现在我们来谈谈知识库。近年来,我们目睹了知识库的发展,越来越多的大规模知识库涌现出来,如Google Knowledge graph,Yago和Freebase等。这些知识库具有体量大,质量高的特点。

一个知识库包含了大量的结构化数据。右图给出了一个关于Obama的知识图谱示例。知识库中的每一个三元组代表一个知识或某个事实。 例如,一个三元组(d,人口,390k)表示檀香山的人口为390k。



评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值