语义解析
Logic Form 可以视为图模板Graph Template
Alignment:
文本短语
KB Predicates
从短语到KB Predicates的匹配
Bridging操作——链接两个Unaries/Event Modifiers
通过Composition产生候选Logic Form(Derivation)
训练模型来估计给定问句生成的一个逻辑表达式的概率
WebQuestions:通过Web获得更多问题——breadth-first search over Google Suggest graph
KB不完整问题——使用Paraphrasing来解决:根据问题通过一定的策略扩展生成Logic Form,再通过paraphrase model计算两者间的相似度分数,最后判断选哪个Logic Form
Association model关联模型
Vector space model向量空间模型
Building a Semantic Parser Overnight
KBQA与深度学习结合的两个方向:
1、利用深度学习对于传统问答方法进行改进
2、基于深度学习的End2End模型
Semantic Parsing via Staged Query Graph Generation:
topic entity->core inferential chain->Constraints & Aggregations
采用CNN对候选路径进行打分
Argument Constraints
图遍历QA
IBM Watson
deep QA + AdaptWatson ->a ranked list
Understanding questions
Answe and evidence sources(结构化程度高的->结构化程度低的)
Discovering candidate ansewers
Right type
Collecting and scoring evidence
Massive parallelism,scale-out,and speed
Ingest->Learn->Test->Experience
基于ES的知识问答Demo
解析自然语言查询->生成logical form->生成ES查询->执行