Zihang Dai, Lei Li, and Wei Xu. 2016. CFO: Conditional focused neural question answering with large-scale knowledge bases. In Proceedings of ACL, pages 800–810.
链接：http://aclweb.org/anthology/P/P16/P16-1076.pdf
GitHub 项目地址：https://github.com/zihangdai/CFO
本文主要关注基于知识库的可答单事实（single-fact）问题，并针对大规模 KB 造成的训练困难做了一系列优化。这类 QA 可以转化为实体和关系抽取的问题，从问题中抽出实体?和关系?，再到知识库中去找答案。进一步转换为概率问题：对给定的问题 ?，找到使联合条件概率 ?(?,?|?) 最大的 (?,?) 对。
在知识库较大时，(?,?) 对非常多，难以直接获取联合条件概率 ?(?,?|?) 。因此先做转换 ?(?,?│?)=?(?|?)∙?(?,?|?)，然后对两个部分分别建模。利用 KB 中关系的数量远小于实体数量的特典，先根据问题 ? 推理出关系 ?，再根据问题 ? 和关系 ? 推理出主语实体 ?。
对 ?(?|?) 建模的部分用两层的双向门控循环单元（BiGRU）来构建 q 的特征表示向量，把 q 看成是一个词序列，用事先训练好的词向量作为输入，得到 q 的特征表示向量 f(q),再和 r 的特征向量 E(r) 乘积，E(r) 为模型的参数，随机初始化。
对建模的部分为简单起见，分开计算 ? 和 ? 对 ? 选择的影响，再线性加和。和前半部分相比，q 的特征表示向量 g(q) 的和 f(q) 一样，都是 BiGRU，而 ? 的特征表示向量 E(s) 则不同，文中采用了两种方法：
pretrained embeddings：这里借鉴了他人的一种通过知识库训练 E(s)(E(s)+ E(r) = E(o)) 的方法预先训练 E(s) 向量，然后再微调。
type vector representation：直接用 s 的类别属性表示，假设知识库中有 K 类 s，s 的向量就是 K 维，如果 s 属于第 i 类，E(s) 的第 i 位就为 1，否则为 0。
此外，文中还提出了一种f ocused pruning method 来减少（s，r）对的候选空间，基于 N-Gram 方法做了改进，相对减少了噪声，使候选空间更小。
实验使用了 SIMPLE-QUESTIONS 和 Freebase 的一个子集，比当时的最好结果高 11.8%。
论文笔记整理：张宇轩，浙江大学硕士，研究方向为知识图谱，物联网。
OpenKG.CN
中文开放知识图谱（简称OpenKG.CN）旨在促进中文知识图谱数据的开放与互联，促进知识图谱和语义技术的普及和广泛应用。
转载须知：转载需注明来源“OpenKG.CN”、作者及原文链接。如需修改标题，请注明原标题。
点击阅读原文，进入 OpenKG 博客。
