融合知识表示的知识库问答系统

被引：13

作者：

安波 ^{[1
,2
]}

韩先培 ^{[2
]}

孙乐 ^{[2
]}

机构：

[1] 中国科学院大学

[2] 中国科学院软件研究所

来源：

中国科学:信息科学 | 2018年 / 48卷 / 11期

关键词：

问答系统; 知识库; 文本组合; 知识表示; 文本表示;

D O I：

暂无

中图分类号：

TP391.1 [文字信息处理];

学科分类号：

摘要：

基于知识库的问答系统能够根据知识库中的事实自动回答自然语言的问题.简单问题是指可以通过知识库中单一的事实来进行回答的问题,这类问题也是最常见的问题.但是当面对大规模的知识库时,简单问题依然存在很大的挑战.当前的端到端(end-to-end)模型主要依赖于对问句、实体和关系的文本描述进行表示学习,进而根据这些表示来计算实体、关系与问句的语义相关度,忽略了知识库中的实体和关系的结构信息.而这些结构信息,对于问句中实体和关系的识别有重要作用.本文采用一种融合文本和知识的表示学习方法,通过文本表示和组合模型来学习问句和知识的表示,同时使用知识的结构信息来约束文本的表示和组合.在基于知识的问答任务上的结果表明,本文提出的方法学习到的问句和知识的表示能很好地反映问句与知识之间的语义相关性,并显著地提升了问句中实体链接和关系识别的准确率.

引用

页码：1521 / 1532

页数：12

共 6 条

[1] 基于LSTM的大规模知识库自动问答
周博通
孙承杰
林磊
刘秉权
[J]. 北京大学学报(自然科学版), 2018, 54 (02) : 286 - 292
[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] Composition in Distributional Models of Semantics
Mitchell, Jeff
Lapata, Mirella
[J]. COGNITIVE SCIENCE, 2010, 34 (08) : 1388 - 1429
[4] WordNet[J] . George A. Miller.Communications of the ACM . 1995 (11)
[5] Attention Is All You Need .2 VASWANI A,SHAZEER N,PARMAR N,et al. . 2017
[6] Yago:a core of semantic knowledge .2 Suchanek,F.M,Kasneci,G,Weikum,G. Proceedings of the 16th international conference on World Wide Web . 2007

← 1 →