Question Answering over Knowledge Base with Neural Attention Combining Global Knowledge Information

最近，随着深度学习的发展，基于神经网络的方法被用于 基于知识图谱的问答 的任务，和之前的方法不同，基于神经网络的方法将问题和答案表示为语义向量，之后 基于知识图谱的问答 就转变成一个在 问题的语义向量 和 候选答案的语义向量 之间的相似度匹配问题，有最高匹配度的答案就是最终答案。

（感觉这里既然NN将Q向量map到A向量，那么求Q和A'之间的相似度也就是求A和A'之间相似度）

在 基于神经网络的方法，关键是计算问题和答案之间的相似度，所以关键在于训练 问题和答案的向量表示，之前的研究重点放在训练出 答案向量 的表示，而 问题向量 的训练就用BOW模型。

以“法国总统是谁”和答案是“某人”为例，“谁”这个字是最重要的词，显然这是一个注意力机制。

之前有研究将问题通过3个CNN表示成向量，
在知识图谱里，一个候选答案有多个方面和问句语义相同，上下文、类别、到主实体的path等，
答案的一些东西 和 问题 也有相同的地方。
我们进一步，用一个基于注意力机制的神经网络 关联问题和答案，答案不同会影响问题的向量表示也不同。

例如，一个QA对(q,a)出现在训练集里，知识库告诉我们a和a'比较接近，记作(a～a')，那么(q,a')就更可能是正确的，然而，现在的QA训练机制是不能保证(a～a')被训练出来的