OpenKG开源系列 | 面向知识的推理问答编程语言KoPL（清华大学）

OpenKG地址：http://openkg.cn/tool/kopl

GitHub地址：https://github.com/THU-KEG/KoPL

网站地址：https://kopl.xlore.cn

开放许可协议：MIT License

贡献者：清华大学（曹书林、史佳欣、姚子俊、吕鑫、聂麟骁、逄凡、吴茜凤、侯磊、李涓子）

---

总体介绍

问答系统是自然语言处理领域的一个重要研究方向。一方面，图灵测试的场景本身就是问答。如果我们有了和人一样智能的问答系统，那么就相当于通过了图灵测试。因此问答相关研究始终受到人工智能学者的重视。从知识工程、推理机、专家系统，到搜索引擎，智能助手甚至机器人，问答系统贯穿了人工智能的整个发展历程。另一方面，问答作为人类最自然的交互方式，有非常广泛的应用需求。在信息浩如烟海的互联网时代，问答系统可以帮助用户快速并准确地获取信息，让人们的生活更加便利，甚至可以部分地替代人工劳动，例如替代人工客服对客户进行自动回答，更加高效经济地解决现实问题。

如图1所示，在早期的研究中，研究者主要关注单个关系型知识，即问题中仅涉及单个三元组，如“布朗尼·詹姆斯的父亲是谁”，只需要在知识资源中进行检索和匹配，就可以得到答案。这一类问答被称为简单问答。然而在很多情况下，问题不能通过检索和匹配直接得到答案，而是需要处理多跳关系、集合操作、属性比较等情况。例如问题“布朗尼·詹姆斯和他的父亲谁更高”，需要找到布朗尼·詹姆斯的父亲，并比较两个人的身高属性。这类针对复杂问题的问答任务称为推理问答。处理这些复杂问题要求计算机实现知识的表示和推理，并且能够处理Wikidata等结构化知识和Wikipedia等百科资源。

 

图 1 推理问答及对应的KoPL表示

为此，我们设计了面向知识的推理问答编程语言KoPL，抽象了一组面向知识的基本函数，复杂的自然语言问题都可以表示为由基本函数组合而成的KoPL程序，程序运行的结果就是问题的答案。例如，图1中的自然语言问题“布朗尼·詹姆斯和他的父亲谁更高”可以解析为由基本函数Find，Relate和SelectBetween组合而成的KoPL程序，运行结果“勒布朗·詹姆斯”为问题的答案。

目前，KoPL为面向知识的复杂推理问答任务抽象和总结了27个基本函数，覆盖对多种知识元素（如概念、实体、关系、属性、修饰符等）的操作，并支持多种问题类型（如计数、事实验证、比较等）的查询。KoPL具有如下特点：

1. 提供显式、透明的推理过程。不同于SPARQL将查询图和知识库进行图模式匹配来得到答案，KoPL将复杂问题转化为推理函数的组合，以代表推理过程，具有显式和透明的特点。

2. 易于理解，便于人机交互。如图2所示，KoPL程序以流程图的形式呈现给用户，推理过程清晰明了，对于推理错误的部分可以更加容易地修改。如只需把QueryRelationQualifier函数的第二个参数”followed by”修改为”follow”，就可以得到正确的KoPL程序。

图 2 KoPL更易于理解，便于用户进行修改。修改过程用红色标出。

3. 面向知识库、文本等不同形式的知识，可扩展性强。KoPL是一个为面向知识的复杂推理问答而设计的编程语言，不仅局限在知识库问答。目前开源的KoPL工具包中已实现对任意知识库的支持，未来，我们会将KoPL扩展为同时支持知识库和文本的推理问答工具。

KoPL特色

问答系统的实现需要强大和全面的知识作为基础。目前互联网拥有海量的知识资源，包括维基百科，百度百科，搜狗百科这些基于用户协同生成的文本内容，以及被精心设计的以自动或半自动方式生成的知识库（如Wikidata、 Freebase、YAGO、DBpedia 等）。如何将这些大规模的知识资源融合在一起，转换为计算机可以处理的形式，进行表示、理解和推理，是一个关键的研究问题。虽然知识资源的形式不同，但其蕴含的知识元素是一致的。KoPL将知识总结为7种基本元素，作为知识表示、理解和推理的基础。进一步地，KoPL抽象了一组基本函数，包括14个知识操作函数和13个查询函数，以支持对多种知识元素的操作和不同类型的问答。由基本函数组合而成的KoPL程序提供显式、透明的推理过程。下面将详细介绍KoPL的四个特色：（1）面向多种知识元素；（2）覆盖多种知识操作；（3）支持多种问答类型；（4）提供透明的推理过程。

（一）面向多种知识元素

KoPL将知识总结为7种基本元素，具体包含：

（1）实体 (entity)，表示一个独一无二的事物，如图3中的勒布朗·詹姆斯 (LeBron James)；

（2）概念 (concept)，一组具有相同特征的实体组成的集合，如图3中的篮球队 (basketball team)；

（3）属性 (attribute)，表示实体的属性信息。由属性键和属性值两部分组成，属性值有字符串、数字、日期和年份4种类型。如身高（height）是一个属性，206厘米（206 centimetre）是对应的属性值；

（4）关系 (relation)，表示两个实体之间的关系。特殊地，实体通过 instance of 关系链接到相应的概念上，概念之间通过 subclass of 关系来组织成层次结构。如父亲（father）和出生地（place of birth）都是关系；

（5）属性型事实 (literal fact)，表示一个实体属性信息的三元组，由（实体，属性键，属性值）组成。如（勒布朗·詹姆斯，身高，206厘米）是一个属性型事实；

（6）关系型事实 (relational fact)，表示两个实体间关系的三元组， 由（实体，关系，实体）组成。如（勒布朗·詹姆斯，出生地，阿克伦）是一个关系型事实；

（7）修饰型事实 (qualifier fact)，对一个关系型或属性型的三元组进行进一步的修饰，包含一个修饰键(qualifier key)和一个修饰值(qualifier value)。由(三元组，修饰键，修饰值)组成，如（（勒布朗·詹姆斯，被挑选，克利夫兰骑士队），时间，2003年）是一个修饰型事实。

图 3 知识元素

（二）覆盖多种知识操作

KoPL设计了14个基本函数，以支持对上述7种知识元素的操作。如Find函数找出具有特定名字的所有实体；FilterConcept函数找出属于特定概念的实体；Relate函数找出与输入实体有特定关系的所有实体。另外，KoPL还支持And和Or函数，通过两个实体集合的交和并来实现逻辑推理。图4展示了部分知识操作函数的功能描述、示例和输入输出。每个函数有两部分输入：一部分是函数输入（functional input），来自于其他函数的输出；另一部分是文本输入（textual input），来自于问题所指定的条件。

图 4 部分知识操作函数

（三）支持多种问答类型

KoPL设计了13个基本函数，以支持多种类型的问答，包括查询某种知识元素、比较、事实验证、计数等。如QueryName查询实体的名字；SelectAmong在一个实体集合中，查询特定属性值最大/最小的实体；VeiryStr验证某一属性值是否等于给定的字符串；Count函数查询集合中的实体数量。图5展示了部分查询函数的功能描述、示例和输入输出。

图 5 部分查询函数

（四）提供透明的推理过程

KoPL将复杂问题分解成多个推理步骤，每个步骤选择一个基本函数，对某种类型的知识进行操作，每个基本函数的输出都会写到内存里，作为后续函数的输入。KoPL的推理过程很容易被人类所理解，具有良好的可解释性。图6展示了两个自然语言问题及其对应的KoPL程序。

图 6 KoPL提供透明的推理过程

KoPL开源工具包

我们基于Python开发了KoPL工具包，方便用户进行面向知识的推理问答。目前，用户可以自定义知识库，通过调用KoPL的API来操作知识库中的元素，最终实现多跳、逻辑推理、比较、计数、事实验证等多种问答。

KoPL主页：

https://kopl.xlore.cn

KoPL工具包：

https://github.com/THU-KEG/KoPL

上手教程

KoPL工具包的使用非常方便。首先安装KoPL及其依赖：

接下来，我们在程序中加载知识库，创建可以在这个知识库上执行的引擎，调用KoPL的基本函数，就可以实现面向知识的推理问答编程。图9是一个具体的例子，实现对“布朗尼·詹姆斯和他的父亲谁更高？”这个复杂问题的推理问答，KoPL程序给出了正确的答案: 勒布朗·詹姆斯！

图 9 KoPL使用样例

结语和扩展

KoPL工具包将会长期维护并保持更新,欢迎大家使用KoPL作为复杂推理问答研究和应用开发的工具。大家在使用过程中有任何问题、意见或建议都欢迎提出。也欢迎大家加入我们，共同开发、完善KoPL工具包。

此外，在KoPL的基础上，我们构建了一个大规模的复杂知识库问答数据集KQA Pro，数据集中的每个自然语言问题都有对应的KoPL程序，来显式地表达解决这个问题的推理过程。更多信息请访问KQA Pro主页http://thukeg.gitee.io/kqa-pro/。

---

OpenKG

OpenKG（中文开放知识图谱）旨在推动以中文为核心的知识图谱数据的开放、互联及众包，并促进知识图谱算法、工具及平台的开源开放。

点击阅读原文，进入 OpenKG 网站。