肖仰华 | 基于知识图谱的问答系统

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。