目录
-
1. 任务
- 1.1. 背景
- 1.2. 任务定义
- 1.3. 数据集
- 1.4. SOTA
- 1.5. 评测标准
-
2. 方法总结
- 2.1. 基于语义解析（Semantic Parsing）的方法
- 2.2. 基于信息抽取（Information Extraction）的方法
- 2.2.1. 候选答案的得出
- 2.2.2. 问题的信息抽取
- 2.2.3. 训练分类器，判断候选答案是否正确
- 2.3. 基于向量建模（Vector Modeling）的方法
-
3. Paper List
- 3.1. 简单问题论文列表
- 3.2. 复杂/多跳论文列表
- 3.3. 相关研究论文列表
- 3.4. 论文解读
-
4.相关链接
-
5.参考资源
1. 任务
1.1. 背景
（1）Knowledge Base
KB中包括三类元素：实体（entity）、关系（relation），以及属性（literal）。实体代表一些人或事物，关系用于连接两个实体，表征它们之间的一些联系，如实体Michael Crichton与实体Chicago之间就可以由关系bornin连接，代表作家Michael Crichton出生于城市Chicago。同时，关系不仅可以用于连接两个实体，也可以连接实体和某属性，如关系area可用于连接Chicago和属性606km2，表明chicago面积为606km2。
用更形式化的语言来描述：KB可以表示为三元组的集合，三元组为（entity，relation，entity/literal）。
（2）Formal Query Languages
SPARQL，λ-DCS、FunQL等查询语言可以用于查询以及操作KG中存储的数据。这些语言具有明确定义的形式语法和结构，并允许进行复杂的检索。 SPARQL是KB最常用的查询语言之一，DBpedia和Freebase等许多公共可用KB都支持SPARQL。
（3）question answering over KB
给定自然语言问题（NLQ），对问题进行理解和解析，利用KB得到正确答案。
1.2. 任务定义
知识库问答（knowledge based question answering,KB-QA）：给定自然语言形式的问题，通过对问题进行语义理解和解析，进而利用知识库进行查询、推理，最终得出答案。
详细参考跳转：https://gitee.com/junzilan_zhangsf/QA-Survey-CN/blob/master/%E7%9F%A5%E8%AF%86%E5%9B%BE%E8%B0%B1%E9%97%AE%E7%AD%94(Knowledge_Base_Question_Answering,KBQA)-%E5%AD%A6%E6%9C%AF%E7%95%8C.md
)
（二）)
