CFO：基于大规模知识库的条件聚焦神经问答
计算与语言
2016-07-05 v2
摘要
我们如何使计算机自动回答诸如“谁创造了哈利·波特这个角色？”这样的问题？精心构建的知识库提供了丰富的事实来源。然而，由于同一问题有众多表述，用自然语言提出的事实型问题的回答仍具挑战。我们特别关注最常见的问题——即可用知识库中的单个事实回答的问题。我们提出 CFO，一种基于条件聚焦神经网络、利用知识库回答事实型问题的方法。我们的方法首先聚焦问题以找到更可能的候选主语提及，并在统一的条件概率框架下推断最终答案。借助深度循环神经网络与神经嵌入，我们提出的 CFO 在包含 108k 问题的数据集（迄今最大的公开数据集）上达到了 75.7% 的准确率，以 11.8% 的绝对优势超越当前最优水平。
引用
@article{arxiv.1606.01994,
title = {CFO: Conditional Focused Neural Question Answering with Large-scale Knowledge Bases},
author = {Zihang Dai and Lei Li and Wei Xu},
journal= {arXiv preprint arXiv:1606.01994},
year = {2016}
}
备注
Accepted by ACL 2016