![](https://img-blog.csdnimg.cn/20201014180756757.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
问答系统
黑暗贤者
这个作者很懒,什么都没留下…
展开
-
基于知识图谱的问答系统(一)
知识库可以分为两种类型,一种是以Freebase,Yago2为代表的Curated KBs,它们从维基百科和WordNet等知识库中抽取大量的实体及实体关系,可以把它们理解为是一种结构化的维基百科,被google收购的Freebase中包含了上千万个实体,共计19亿条triple。 知识库的另外一种类型,则是以Open Information Extraction (Open IE), Neve...转载 2018-05-03 14:56:03 · 16204 阅读 · 0 评论 -
基于知识图谱的问答系统(二): 语义解析
语义解析KB-QA的思路是通过对自然语言进行语义上的分析,转化成为一种能够让知识库“看懂”的语义表示,进而通过知识库中的知识,进行推理(Inference)查询(Query),得出最终的答案。简而言之,语义解析要做的事情,就是将自然语言的问题,转化为一种能够让知识库“看懂”的语义表示,这种语义表示即逻辑形式(Logic Form)。 逻辑形式的具体内容参考: Berant J, Chou A, ...转载 2018-05-03 15:47:15 · 8209 阅读 · 0 评论 -
基于知识图谱的问答系统(三): 信息抽取
通过问句中的主题词可以找到它在知识库中对应的图节点,我们将该图节点相邻几跳(hop)范围内的节点和边抽取出来得到一个知识库的子图,这个子图作者称为主题图(Topic graph),一般来说,这里的跳数一般为一跳或两跳,即与主题词对应的图节点在一条或两条边之内的距离。主题图中的节点,即是候选答案。接下来,我们需要观察问题,对问题进行信息抽取,获取能帮助我们在候选答案中筛选出正确答案的信息。 依...转载 2018-05-03 16:21:51 · 4145 阅读 · 0 评论 -
基于知识图谱的问答系统(四):向量建模篇
首先根据问题中的主题词在知识库中确定候选答案。 把问题和候选答案都映射到一个低维空间,得到它们的分布式表达(Distributed Embedding), 通过训练数据对该分布式表达进行训练,使得问题向量和它对应的正确答案向量在低维空间的关联得分(通常以点乘为形式)尽量高。 当模型训练完成后,则可根据候选答案的向量表达和问题表达的得分进行筛选,找出得分最高的作为最终答案。 关键问题 ...转载 2018-05-03 17:20:13 · 2585 阅读 · 0 评论