KBQA 知识库问答领域研究综述（未完待续。。）

最新推荐文章于 2024-07-17 21:59:15 发布

cookie_17

最新推荐文章于 2024-07-17 21:59:15 发布

阅读量1w

点赞数 5

分类专栏： nlp 深度学习

本文链接：https://blog.csdn.net/u012892939/article/details/79451978

版权

本文概述了知识库问答（KBQA）的研究进展，重点关注深度学习在复杂和简单问题解答中的应用。复杂问题解决方案包括Multi-Column CNN和Cross-Attention模型，而简单问题则涉及CFO、Character-Level with attention等方法。尽管向量建模在简单问题上取得进步，但在处理复杂问题时仍不及结合语义解析的深度学习模型。

摘要由CSDN通过智能技术生成

论文终于提交了，心情非常激动。。从去年9月开始做知识库问答到现在，总算是可以告一段落了。从前期的调研，到11月份艰难地复现别人的论文，12月1月看论文调模型，中间几近放弃。。3.9又重新开始跑模型，3.19开始写论文，到今天全部完成，深刻地体会到科研的道路真是道阻且长。趁着对KBQA的浅薄理解，在这里做个总结吧。

从开这个坑到现在已经十天过去了。。今天终于有时间来把坑填上。
这期间把论文放到了arxiv，没想到没几天时间就有很多人发邮件来要源码要数据。。看来知识库问答最近真是太火了。
这篇综述不谈我的工作，只讲我的参考文献的工作。

Overview

我在各类QA问答系统的总结与技术实现中已经简要地介绍过解决KBQA的三种方法：语义解析、信息抽取、向量建模。前两种方法偏向于传统NLP的句法、语法分析，需要人工构建特征，效果较单纯的向量建模方法要好。而这几个方向都有结合深度学习的方法提出，其中语义解析+深度学习在WebQuestion数据集上达到了最高的F1score。根据近几年这一领域的论文效果，我做了一个对比图：
这里写图片描述
这里主要关注WebQuestion和SimpleQuestion这两个数据集。这两个数据集均是基于Freebase构建的，其中WebQues