实体链接关系链接：EARL模型 Joint Entity and Relation Linking QA over KG

EARL：Joint Entity and Relation Linking for Question Answering over Knowledge Graphs

基于知识图谱问答，是当前的一个研究热点，所谓问答就是输入一句自然语言，系统输出一个答案

基于语义解析的问答系统可以是完全基于规则的系统也可以是一个完全基于端到端的系统

语义问答系统当前面临的技术挑战有：1.实体识别与链接  2.关系识别与链接  3.问句意图识别  4.形式化查询语言的生成

目前在一些简单问题上的问答系统其准确率已经达到了不错的水平，但是对于复杂的问题就显得有些难以应对，这里简单问题是指在知识图谱上至多只有一个实体或者关系与问句匹配到，本文讨论的是复杂问题，即问句中有多个实体或关系

通常来说，为了正确的生成形式化的查询语言并且返回正确的答案，问句中的所有实体和关系需要被正确的链接到知识图谱上，（链接就是指问句中出现的实体或关系 与 知识图谱中的实体或关系 相对应，比如问句中的 “苹果” 需要和知识图谱中的 “苹果” 建立对应关系，那到底是水果的苹果还是苹果公司，这就需要我们的算法来解决了，也就是这篇论文讨论的问题）

EARL (Entity and Relation Linker)，是一个实体和关系的联合消歧系统（注：这里说的消歧就是链接消歧，问题中的 "苹果" 这个实体链接到知识图谱中的实体，你怎么知道是水果还是公司，这个存在歧义的，所以也称为消歧），它将实体链接和关系链接合在一起处理，EARL是一个单任务的系统，目标也很简单：减少每步相互依赖产生的误差。它运行在一个知识图谱之上，有关知识图谱的内容可以看我另外一篇博客。

EARL通过观察实体周围的关系来给实体消歧，同样的，通过观察关系周围的实体为关系进行消歧，这里不明白没有关系，接着往下看，后面还会提到。EARL系统支持问题中出现的多个实体和关系（我们称这样的问题为复杂问题）的链接消歧，EARL模型提出了两种消歧方式：1.把实体关系联合链接任务看做是广义旅行商问题（GTSP  TSP）的一个例子，因为GTSP是一个np难问题，文章采用了一个近似解决方法；2.使用机器学习的方法去学习知识图谱中节点的连接密度，这种方法依赖三个基本特征并需要进行重新排名才能预测KG中的实体和关系