百分点认知智能实验室：CCKS知识图谱问答大赛的季军实现方案

编者按：2021年全国知识图谱与计算语义大会（China Conference on Knowledge Graph and Semantic Computing 2021）共设立五个评测主题，十四个评测任务。百分点认知实验室参加了该评测任务中的“生活服务领域知识图谱问答”比赛，经过长达3个多月的激烈角逐，百分点认知智能实验室在比赛数据集上得分0.7852，位列B榜第三名，获得该大赛的季军。本文主要介绍实验室在本次比赛和知识图谱问答业务实践中使用的技术方案。

一、背景介绍
知识图谱的早期理念源于万维网之父Tim Berners-Lee关于语义网（The SemanticWeb）的设想，旨在采用图结构（Graph Structure）来建模和记录世界万物之间的关联关系和知识，以便有效实现更加精准的对象级搜索。知识图谱的相关技术已经在搜索引擎、智能问答、语言理解、推荐计算、大数据决策分析等众多领域得到广泛的实际应用。
随着自然语言处理、深度学习、图数据处理等众多领域的飞速发展，知识图谱在自动化知识获取、知识表示学习与推理、大规模图挖掘与分析等领域又取得了很多新进展。知识图谱已经成为实现认知层面的人工智能不可或缺的重要技术之一。
知识图谱是较为典型的交叉领域，涉及知识工程、自然语言处理、机器学习、图数据库等多个领域。而知识图谱的构建及应用涉及更多细分领域的一系列关键技术，包括：知识建模、关系抽取、图存储、自动推理、图谱表示学习、语义搜索、智能问答、图计算分析等。做好知识图谱需要系统掌握和应用这些分属多个领域的技术。
近年来，基于自然语言的问答系统逐渐成为人工智能及其相关产业的重点关注领域，成为人机交互的新趋势。相比于传统的搜索引擎获取知识的方式,智能问答系统基于自然语言交互的方式更符合人的习惯。
随着人工智能的进一步发展，知识图谱在深度知识抽取、表示学习与机器推理、基于知识的可解释性人工智能、图谱挖掘与图神经网络等领域取得了一系列新的进展。这些进展让知识图谱的问答系统需要面对的两个问题（问题的理解和问题到知识图谱的语义关联）得到了较好的解决，使得知识图谱智能问答工程应用成为现实。百分点认知智能实验室在多个行业积累了丰富的基于知识图谱问答的技术实践经验。

二、赛题任务

1. 任务描述
   本任务属于中文知识图谱自然语言问答任务，简称CKBQA （Chinese Knowledge Base Question Answering）。即输入一句中文问题，问答系统从给定知识库中选择若干实体或属性值作为该问题的答案。
   今年在OpenKG基础上引入生活服务领域知识库及问答数据。其中包括旅游、酒店、美食等多种领域的数据，同开放领域知识库PKUBASE一起作为问答任务的依据。
2. 数据格式
   数据集以自然语言问句和对应的SPARQL查询语句标记组成。
   SPARQL [1] (SPARQL Protocol and RDF Query Language)，是为RDF开发的一种查询语言和数据获取协议。其语法由三元组组成，其中？x所在where语句中的位置表示需要查询的是哪一个要素。

比赛数据示例：
问题：莫妮卡·贝鲁奇的代表作？
Sparql：select?x where { <莫妮卡·贝鲁奇> <代表作品> ?x. }
答案：<西西里的美丽传说>

3. 问题格式
   传统的问题知识图谱查询问题类型，根据实体数量不同主要分为单实体查询、双实体查询、三实体查询，又根据查询方式不同分为一跳查询，跳查询、关系查询，如图1所示。
   

图1. 传统问题类型
今年在问题设置上引入了一些特殊问题类型，主要是添加了filter、order等函数和http://www.w3.org/2001/XMLSchema#float等RDF标准类型后缀的美团生活服务类问题，如图2所示。

图2. 特殊类型问题

三、技术方案

1. 方案概述
   百分点科技提出了一种结合语义解析和信息检索的方法，