文章目录

TBSL架构step1:模板生成step2:模板匹配与实例化step3:排序打分TBSL的主要缺点 自动生成模板QUINT架构step1:模板的定义与生成step2:模板的匹配和实例化step3:排序step4：复杂问题处理实验结果方法的主要贡献点 模板方法的优缺点

---

基于模板的方法包含模板定义、模板生成，模板匹配三大部分。 论文：TBSL(Unger et al.2012)。

TBSL架构

step1:模板生成

模板生成大致分为如下四个步骤：

获取自然语言问题的POS 标记信息基于POS 标记、语法规则表示问句利用领域相关或领域无关词汇辅助解决问题最后将语义表示转化为一个SPARQL 模板

示例：who produced the most films?

step2:模板匹配与实例化

有了SPARQL模板以后,需要进行实例化与具体的自然语言问句相匹配。即将自然语言问句与知识库中的本体概念相映射的过程。

对于resource 和 class实体识别，用WordNet 定义知识库中标签常用方法或计算字符串相似度。对于property标签，将还需要与存储在BOA 模式库中的自然语言进行比较，最高排位的实体将作为填充查询槽位的候选答案。

示例：who produced the most films?

step3:排序打分

步骤:

首先每个entity 根据 string similarity 和 prominence 获得一个打分。一个query模板的分值根据填充slots 的多个entities 的平均打分。检查type 类型。对于全部的查询集和，仅返回打分最高的。

示例：who produced the most films?

TBSL的主要缺点

创建的模板未必和知识图谱中的数据建模相契合考虑到数据建模的各种可能性，对应到一个问题的潜在模板数量会非常多，同时手工准备海量模板的代价也非常大。

自动生成模板

QUINT架构

能够根据utterance- answer对，根据依存树自动学习utterance-query模板利用自然语言的组成特点，可以使用从简单问题中学到的模板来解决复杂问题

step1:模板的定义与生成

定义一个三元组的模板:(u_t,q_t,m_t):其中 u_t为问题模板 q_t为query模板 m_t为问题和query映射方法模板

step2:模板的匹配和实例化

对于新问题进行依存分析，并使用工具S-MART进行NERL (freebase)去模板库中进行匹配(u‘中加粗的黑线与u_t,匹配，使用子图同构匹配)再使用词典L对m_t, (m_t为utterance和query对齐关系)进行实例化

step3:排序

从问题产生多个候选query的原因 模板可能匹配多个NER L 使用Random Forest进行学习两个query对之间的顺序

step4：复杂问题处理

实验结果

方法的主要贡献点

提出了QUINT能够根据utterance-answer pair,使用依存树自动学习utterance-query模板。模板的学习使用远程监督的方法。模板支持自动识别问题答案的类型利用自然语言的组成特点，可以使用从简单问题中学到的模板来解决复杂问题(多个predicate)复杂问题解决流程: 将问题分解为子句使用模板回答每一个子句结合子句答案获取最终答案

模板方法的优缺点

优点:

模板查询响应速度快准确率较高，可以回答相对复杂的复合问题

缺点: 3. 人工定义的模板结构经常无法与真实的用户问 题进行匹配。 4. 如果为了尽可能匹配上一个问题的多种不同表述,则需要建立庞大的模板库，耗时耗力且查询起来效率降低。

参考资料：王昊奋知识图谱教程