融合子图结构的神经推理式知识库问答方法

陈子阳，廖劲智，赵 翔，陈盈果

国防科技大学 信息系统工程重点实验室，长沙 410073

问答系统（question answering，QA）是自然语言处理（natural language processing，NLP）主要的研究领域之一，旨在让计算机能够理解自然语言形式的问题，并且自动地给出答案[1]。近年来，随着知识图谱（knowledge graph，KG）技术的不断发展，出现了以Freebase[2]、DBpedia[3]、CN-DBpedia[4]为代表的大规模知识图谱。知识图谱通过将现实中的知识结构化为实体与实体间关系，利用(h,r,t)的三元组形式进行表示，其中h、r、t分别代表头实体（head）、关系（relation）和尾实体（tail），这种组织形式更有利于研究者发现、探索知识之间的关联关系。因此，综合问答系统优势与知识库特性的知识库问答（knowledge base question answering，KBQA）受到了学术界和工业界的广泛关注[5-6]。

知识库问答旨在通过知识库中结构化的知识回答自然语言问题。目前主流的研究工作大致可分为两类：（1）基于语义解析（semantic parsing，SP）的方法，利用模板和标注信息对问题进行解析，将其转化为一个图查询语句，通过执行该查询语句来获取答案；（2）基于神经推理（neural reasoning，NR）的方法，通过从问题和答案中提取出对应的特征，设计相应的打分函数以评价候选答案和问题的语义相关性，最终得分最高的候选答案被作为模型预测的答案输出。

基于语义解析的代表性工作QUINT（自动化模板生成模型）[7]通过自动从问题语句的组成部分和KG 查询的对齐中学习语句-查询模板，解决了传统SP 工作中对人工模板的依赖问题。然而，由于知识图谱通常存在链接缺失问题，如DBpedia 和Freebase中分别有66%和71%的人物实体缺少出生地信息[8]，导致了QUINT 无法通过简单的查询获得预期的结果。……