何儒汉，唐 娇，史爱武+，陈 佳，李相朋，胡新荣

(1.武汉纺织大学 数学与计算机学院，湖北 武汉 430000； 2.武汉纺织大学 湖北省服装信息化工程技术研究中心，湖北 武汉 430000)

0 引 言

随着互联网信息的快速增长，出现了许多大型知识库，如YAGO和Freebase，知识库问答已成为自然语言处理(natural language processing)领域的研究热点，基于知识库的问答(knowledge base question answer，KBQA)是指给定一个自然语言问题，通过对问题进行语义理解和分析，然后利用知识库中三元组进行查询和推理并得到答案，其中涉及的命名实体识别和关系抽取等技术对信息检索、文本分类和机器翻译等自然语言处理领域有重要的应用价值。

现有的知识库问答方法如语义解析和信息抽取虽取得较好的效果，但较依赖先验知识和人工定义的规则模板，而深度学习技术使用端到端的思想将候选关系编码映射到同一向量空间中再进行比较，绕开了最困难的问句理解步骤，但结构化的知识库与自然语言问题之间存在差异，加上编码过程中向量聚合容易丢失原始信息，知识库问答仍存在较大的挑战。

为了解决知识库问答中一词多义和信息丢失问题，本文提出了一种基于实体消岐和多粒度注意力机制的知识库问答方法，融合双向长短时记忆网络-条件随机场(BiLSTM-CRF)和实体消歧进行实体链接，结合双向门控循环单元(BiGRU)网络使用两个注意力机制(attention mecha-nism)从不同的粒度对问题模式和候选关系进行建模，捕获问题和候选关系之间的深层匹配特征，该模型在SimpleQuestions[1]数据集上召回率和准确率均得到了明显的提升。……