知识图谱问答

公众号 系统之神与我同在

基于知识图谱的问答形式

基于知识图谱的问答

基于模板的方法
跨垂域粗粒度的语义解析方法
基于路径匹配的方法
基于模板的方法

基于模板的方法—模板挖掘方法

带约束的问答—世界之最
问题1. 属性归一化

解决方案：同义词、词向量、句对相似度匹配

问题2. 无属性

解决方案：对量词（大、长）设置一些默认排序的属性

基于模板的方法

缺点：

·模板扩充，耗时耗力
·泛化性差，召回有限
优点：

·准确率高：95%
·线上性能好
·适合做体验精品化

跨垂域粗粒度的语义解析方法

基础模型：

·槽填充：通过NER方式提取槽位
·意图识别：按文本分类方式识别
query意图

·多任务学习：将二者联合学习
·后处理策略：根据领域词表对识 别槽位进行纠错

目的：提升泛化性，提高召回

低资源问题：跨垂域粗粒度体系

基于路径匹配的方法

·实体链接
·子图检索
·子图匹配
·语义相似度计算
·Rank排序

基于路径匹配的方法—实体链接

实体链接：

基于路径匹配的方法—子图检索

子图检索：

以单实体/多实体作为起点
按照路径模板挖掘候选子图

基于路径匹配的方法—子图匹配

基于检索匹配的问答形式

基于检索的FAQ问答

基于检索的FAQ问答

检索

·多路召回
·词权重
·query改写

匹配

·representation-based vs interaction-based
·数据增强

·知识蒸馏
基于检索的FAQ问答—检索

term检索

实体检索

·query:中国餐馆的主角有谁; doc:中国餐馆在播放抗日神剧
·依靠实体链接技术
语义检索

·为每一个问题计算句子的语义向量
·通过ANN算法进行检索
语义检索

·Step 1: 学习得到每个doc的语义向量
·Step 2：搭建faiss语义检索服务，以docid作为key，语义向量作为value
·Step 3：寻找最近邻doc，通过docid获取doc内容

语义检索—ANN算法

基于检索的FAQ问答—词权重

基于检索的FAQ问答—同义词改写

基于检索的FAQ问答—同义词改写

基于检索的FAQ问答—生成式改写

基于检索的FAQ问答—常用匹配模型

基于检索的FAQ问答—模型训练
语义焦点：额外特征

于阅读理解的问答形式

主要问题

难点：

·–开放场景下，候选passage太长，检索难度大
·–误召比较严重，准确率难以适应产品应用
限定场景下的阅读理解

·–只针对给定passage，去掉检索环节
·–从passage中提取答案片段，给用户一个更直接的答案展现
总结