1.基于信息检索
1.1 KG-based Question
1.2 子图嵌入
1.3 多列卷积神经网络通过自由基回答问题
1.4 Knowledge graph + Text
Knowledge graph: 高精度,但是知识库总是不完整的
Text: 答案覆盖率高,但在开放域设置中很难提取答案
1.5 Relation Extraction and Textual Evidence
2.语义解析
2.1 复杂问题的挑战
-
具有多重或者隐藏的关系
-
一个复杂的问题有多重关系,有些关系可以是多跳的,也可以是隐藏的
例:
-
-
一个复杂的问题可能有多个实体或没有任何实体
如:
-
变量和公共参考
-
现有的解决方案只考虑一个变量:答案
-
然而:它可以有多个变量,一些变量可能指相同的东西。
如:who和they指向相同的人
-
3. gAnswer
GAnswer系统是由北京大学计算机科学与技术研究所数据管理实验室开发的自然语言QA系统,由邹磊教授领导,能够将自然语言问题翻译成包含语义信息的查询图。然后,系统可以进一步将查询图转换为标准的SPARQL查询,这些查询将在图数据库中执行,以便为用户获得答案。我们应用一种创新的数据驱动方法来消除语义歧义。具体而言,在生成查询图时,我们为实体和谓词映射维护多个计划,并根据实体和谓词匹配(不正确的映射)在查询执行短语中执行语义消除歧义。
github地址:https://github.com/pkumod/gAnswer