余俊晖，NLP炼丹师，目前专注自然语言处理领域研究。曾获得国内外自然语言处理算法竞赛TOP奖项近二十项。

本文介绍了一个融合RAG（Retrieval-Augmented Generation）思路的KBQA（Knowledge-Based Question Answering）系统的核心算法及实现步骤。KBQA系统的目标是通过自然语言处理技术，从知识图谱中提取和生成精确的答案。mention识别、实体链接及排序、属性选择及排序、文本拼接以及最终的Text2SQL生成。通过这些步骤，系统能够准确识别用户提出的问题中的关键实体和属性，并生成相应的查询语句，从而从知识图谱或数据库中检索所需的信息。

时间知识图谱问答（TKGQA）是KBQA中一个关注时间问题的重要子任务。时间问题包含时间约束、需要时间标记的答案，反映了现实世界事件的动态和演变性质。通常表示为 G = (E, R, T, F)，其中 E、R、T 和 F 分别代表实体（entities）、关系（relations）、时间戳（timestamps）和事实（facts）。一个时态事实 f ∈ F 由一个或多个实体、关系和相关的时间戳组成。

直接生成答案：一些方法直接利用LLMs生成答案，而不是生成中间的程序（如SPARQL查询）。这种方法通常依赖于模型的上下文学习能力，通过提供少量的示例（in-context learning）来引导模型理解问题并生成答案。程序生成：在某些情况下，LLMs被用来直接生成执行查询的程序，例如SPARQL查询。这种方法需要模型理解问题的结构，并能够将自然语言问题转换为有效的查询语言。语义解析：LLMs也被用于将自然语言问题映射到结构化的查询表示，如SPARQL。

给定自然语言问题，通过对问题进行语义理解和解析，进而利用知识库进行查询、推理得出答案主要是面向开放领域的知识图谱的问答。通过分词、主题实体提及识别、实体连接关系识别、语义匹配、启发式答案选择的Pipeline方式构建问答系统，该系统最多能解决两跳(two-hop)的问题。

在span片段识别的ner模型时，模型的span是枚举query产生的，如：姚明的老婆是谁？此时，可以将所有的候选属性当作是训练RE网络的样本，训练仍然是。这样的优势就是只需训练一个BERT模型即可，也能减少推理速度。在知识库中查询答案时返回top1的属性对应的答案即可。在成功识别出“姚明”这个实体后，我们可以通过。因此，端到端的联合模型显得就很有必要了。：“1”或“0”，将所有候选输入经过“”损失函数即可拿到所有候选属性的。公众号：自然语言处理及深度学习。中召回所有与“姚明”相关的。

通过实体链接获取到了问题中的实体，路径生成则是从实体出发，遍历KG，生成所有可能的答案路径，在过程中对路径进行剪枝。

语义角色标注是一种浅层语义分析技术，以句子为单位，分析句子的谓词-论元结构，其理论基础来源于Fillmore(1968)年提出的格语法，不对句子所包含的语义信息进行深入分析。具体来说，语义角色标注的任务就是以句子的谓词为中心，研究句子中各成分与谓词之间的关系，并且用语义角色来描述他们之间的关系。例如如下所示：A0：施事者、主体、触发者A1：受事者PSR：持有者PSE：被持有者。

介绍：链式：SPARQL 多个三元组呈递进关系，x->y->z，非交集关系。分类模型：BERT+Linear，使用分类模对query中的关系做预测。因此，针对不同的问题类型在逻辑上进行处理也是回答问句的方向。获得问句中的实体：姚明。问句的答案对应三元组里面的主语，spo=0。问句的答案对应三元组里面的谓语，spo=1。问句的答案对应三元组里面的宾语，spo=2。模型：BERT+Linear对query。作用：判断问句是单挑问题还是多跳问题。模型：BERT+Linear。模型：BERT+Linear。

本文内容主要讲解通过句法依存实现KBQA中约束挂载的流程