李洪巍 孙浩 莫建坡 曲荣胜 王宇笙

（北京宝兰德软件股份有限公司 北京市 100089）

1 介绍

知识图谱本质是揭示实体之间关系的语义网络，由Google 于2012 年提出，其最初是为了优化搜索引擎的返回结果，增强用户搜索质量和体验。知识图谱不仅包含着事实类知识，同时也包含着更多的语义知识可为自然语言理解、智能问答及知识推理提供着强有力的支撑。基于知识图谱的智能问答目前主要分为两类方法，即基于信息检索的方法和基于语义解析的方法。

信息检索式的方法一般首先确定中心实体，其本质任务是命名实体识别(Name Entity Recognition)，然后通过实体连接(Entity Linking)等技术映射到知识库中实体从而确定候选答案，最终基于候选答案的排序得分以确定结果。Li Dong 等人将候选答案和原问题分别向量化，再使用多通道卷积神经网络 (MCCNN) 计算候选答案与原问题之间的相似度。Siva Reddy 等人将候选实体生成与关系抽取 (Relation Extraction) 结合起来，利用原问题的上下文信息，使用卷积神经网络为候选实体对应的关系进行打分。Bordes A 等人将候选答案周围的边和节点一同作为子图进行 Embedding，再与原问题的向量做点乘作为得分，最终得出得分排序结果。

基于语义解析 (semantic parsing) 的方法一般而言可分解为三个任务，分别是短语检测、资源映射和语义组合。首先利用语义解析理解自然语言问题的语义，将问题转化为具备相同语义的逻辑形式，再通过查询引擎对生成的逻辑形式进行查询处理，得到最终结果。这类方法的优点在于如果解析成功，则能完整获得提问者的意图，从而精确地返回查询结果。……