基于表示学习的知识库问答研究进展与展望

被引：29

作者：

刘康

张元哲

纪国良

来斯惟

赵军

机构：

[1] 中国科学院自动化研究所模式识别国家重点实验室

来源：

自动化学报 | 2016年 / 42卷 / 06期

关键词：

知识库问答; 深度学习; 表示学习; 语义分析;

D O I：

10.16383/j.aas.2016.c150674

中图分类号：

TP391.1 [文字信息处理];

学科分类号：

081203 ; 0835 ;

摘要：

面向知识库的问答(Question answering over knowledge base,KBQA)是问答系统的重要组成.近些年,随着以深度学习为代表的表示学习技术在多个领域的成功应用,许多研究者开始着手研究基于表示学习的知识库问答技术.其基本假设是把知识库问答看做是一个语义匹配的过程.通过表示学习知识库以及用户问题的语义表示,将知识库中的实体、关系以及问句文本转换为一个低维语义空间中的数值向量,在此基础上,利用数值计算,直接匹配与用户问句语义最相似的答案.从目前的结果看,基于表示学习的知识库问答系统在性能上已经超过传统知识库问答方法.本文将对现有基于表示学习的知识库问答的研究进展进行综述,包括知识库表示学习和问句(文本)表示学习的代表性工作,同时对于其中存在难点以及仍存在的研究问题进行分析和讨论.

引用

页码：807 / 818

页数：12

共 6 条

[1]

DBpedia – A large-scale, multilingual knowledge base extracted from Wikipedia[J] . Jens Lehmann,Robert Isele,Max Jakob,Anja Jentzsch,Dimitris Kontokostas,Pablo N. Mendes,Sebastian Hellmann,Mohamed Morsey,Patrick van Kleef,S&ouml,ren Auer,Christian Bizer.Semantic Web . 2015 (2)

[2]

A semantic matching energy function for learning with multi-relational data[J] . Antoine Bordes,Xavier Glorot,Jason Weston,Yoshua Bengio.Machine Learning . 2014 (2)

[3] Learning Dependency-Based Compositional Semantics [J].

Liang, Percy ;

Jordan, Michael I. ;

Klein, Dan .

COMPUTATIONAL LINGUISTICS, 2013, 39 (02) :389-446

[4] Composition in Distributional Models of Semantics [J].

Mitchell, Jeff ;

Lapata, Mirella .

COGNITIVE SCIENCE, 2010, 34 (08) :1388-1429

[5] Long short-term memory [J].

Hochreiter, S ;

Schmidhuber, J .

NEURAL COMPUTATION, 1997, 9 (08) :1735-1780

[6]

Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position[J] . Kunihiko Fukushima.Biological Cybernetics . 1980 (4)

← 1 →