KBQA：基于问答语料库与知识库的学习式问答
计算与语言
2019-03-07 v1
摘要
问答（QA）已成为人类访问十亿规模知识库的流行方式。与网络搜索不同，只要自然语言问题能被准确理解并映射为知识库上的结构化查询，基于知识库的QA便能给出准确而简洁的结果。然而，挑战在于同一问题可由人类以多种不同方式提出。由于表示方式的局限，以往方法存在天然不足：基于规则的方法只能理解少量“预设”问题，而基于关键词或同义词的方法无法充分理解问题。本文设计了一种新型问题表示：模板，构建于十亿规模知识库与百万规模QA语料库之上。例如，对于关于城市人口的问题，我们学习诸如“What's the population of city?”等模板。我们为2782个意图学习了2700万条模板。基于这些模板，我们的QA系统KBQA有效支持二元事实型问题，以及由一系列二元事实型问题组合的复杂问题。此外，我们扩展了RDF知识库中的谓词，将知识库覆盖率提升57倍。我们的QA系统在QALD基准上的效果与效率均优于其他所有SOTA工作。
引用
@article{arxiv.1903.02419,
title = {KBQA: Learning Question Answering over QA Corpora and Knowledge Bases},
author = {Wanyun Cui and Yanghua Xiao and Haixun Wang and Yangqiu Song and Seung-won Hwang and Wei Wang},
journal= {arXiv preprint arXiv:1903.02419},
year = {2019}
}