Neural Network-based Question Answering over Knowledge Graphs on Word and Character Level读书笔记

针对simple question

word embedding同时采用两种level的embedding

再分别对question，entity和predicate建模，都是利用词序列过GRU得到表征，计算余弦相似度

candidate entity生成方法：

    1.一个实体与问题中的n-gram完全match，加入候选集

    2.如果一个n-gram被包含在更大的n-gram中，且大的n-gram与某一个图谱中的entity匹配，则丢弃小的，除非大的n-gram以"the, a, an, of, on, at, by"开头

    3.如果exact match没有被找到，那么将图谱中entity的label与某一个n-gram的编辑距离小于2的也加入候选集

    4.如果有许多entity match了一个n-gram，那么按照entity在图谱三元组中以subject出现的次数排序，取前{5,10,400}个

candidate predicate生成方法：

有两种方法，方法一：

    top entity作为subject的三元组中的predicate作为候选集

方法二：

    考虑与top entity有相同label的实体，这些实体作为subject 的三元组中的predicate作为候选集

 

负例的生成对于训练结果影响很大