How Did Watson Answer? —— Typing Coerced Candidate Answer

一、      摘要

不同于传统QA系统的“先分类再生成”策略，Watson使用的是“先生成再分类”策略——首先生成候选项，然后再对其类型进行评分。

二、      概述

传统的QA系统解析问题之后，会首先确定答案的类型，然后再在特定的类型集合中搜索候选答案。而Watson并不是这样工作，在生成候选答案时，Watson并不会限定答案类型，生成之后，才会对候选答案的类型信息进行评分。这个组件被称为type coercion(TyCor)，类型强制转换器。这里我要对之前提出来的使用的术语“强制类型转换”作一个更正，这里的类型强制转换器与强制类型转换时不同的。

程序语言中的强制类型转换是指数据类型之间的转换，为的是运算的合法性；而语言学中的类型强制转换则是指词性之间的转换，大概（注意是大概，笔者拿不准这件事）就像是意动用法和使动用法。

TyCor组件的输入包括题干中的LAT以及候选生成模块生成的候选集。这里再讲一下LAT的含义，LAT是题干中说明了答案应当是什么类型的字符串。TyCor的输出就是一个评分，评价的是由组件本身总结候选答案是不是题干LAT指定的类型的一个实例。

三、      《Jeopardy!》中的答案类型

这次真不是我耍流氓，这一节也没有什么实质性内容，主要陈述一个事实——《Jeopardy!》的答案类型很广，不易概括。所以，不能把答案上来就限定在某一个特定类型中。详见下图：

所以，类型只被看作是题干和候选答案的一个属性，结合起来的属性。

四、      TyCor与DeepQA其他组件的关系

问题分析——问题分析中的LAT检测结果中包含有置信度，置信度会直接影响TyCor对候选项评分的高低。

候选生成——TyCor中的输入会是经过候选生成组件消岐的候选答案，当然，还有之前提到的甄别出来的LAT。

假设与证据评分——TyCor是假设与证据评分的一个组成部分。

最终答案合成与排名——TyCor的评分是用于最终答案排名的特征。

五、      TyCor逻辑框架

TyCor设计的总体目标就是，在一个候选答案是LAT的一个子类或者实例的时候给出尽可能高的分数。高级架构见下图：

(一) 实体消岐与匹配(EDM)

EDM在结构化的知识数据中查找那些与候选答案有关联的实体，在这一步会处理好多义词、同义词问题。

(二) 类型检索(TR)

TR会检索每一个EDM标记出来的实体的类型。

(三) 谓词消岐与匹配(PDM)

笔者注：这里的“谓词”跟前面的PAS中的“述词”其实是一个词，后面我会考虑一下这个词怎么翻译更准确一些。

PDM以LAT为输入，然后在知识库中匹配这些LAT的类型。值得注意的是，在知识库不完善的情况下，PDM有可能以LAT本身作为输出。

(四) 类型对齐(TA)

对比PDM和TR的结果来决定候选答案类型与LAT匹配的程度。

注意，如果一个候选生成器能够生成无歧义的候选答案交给TyCor直接使用，那么EDM这一步就可以跳过去。另外，也可以根据上面的框架设计出否定型的TyCor。

六、      TyCor资源与策略

Watson中使用了超过十种不同的TyCor组件，有的使用相同的算法但使用不同的资源，有的使用相同的资源但使用不同的算法。

在Watson中使用了很多的资源，对于每一种都进行了深入的分析。在这里我不在罗列《Typing candidate answers using type coercion》一文中出现的各种资源，和针对性的优化。而是谈一谈自己的一点认识。

无论如何，我们的目标是，对齐类型。所以，不管资源是结构化的还是非结构化的，最终要做的都是对资源、语料中类型的抽取，核心就是类型。通过之前Watson的构成，深深地折射出一个道理——积少成多啊。Jeopardy!题目的多样性决定了每种优化措施能够覆盖的频率都不是很广，但是拼在一起覆盖面就光了。深入分析材料的特点，针对每一个特点优化，积少成多，最终在系统成型之后会取得足够好的效果。