【论文笔记】Large-scale Semantic Parsing without Question-Answer Pairs

背景

---

• 什么是Freebase（什么是知识库）：
  
  • Curated KBs知识库是由结构化的三元组（entity, relation/property, entity）所表达的知识组成的知识库，如果把这个三元组用起点-边-终点来表示，这个知识库就可以被表示为指示图。代表：Freebase
  • Extracted KBs知识库则是直接从网页中抽取实体关系三元组所组成的知识库，这样的知识更多是自然语言的形式表达的，涉及到entity linking 和 relation extraction两大关键技术。
• 什么是KB-QA：
  给定自然语言问题，通过对问题的语义理解，进而利用知识库进行查询、推理以得出答案。特别地，和对话机器人的交互式对话不同，KB-QA的答案是知识库中的实体或者实体关系或者是no answer。
• 基于语义分析的KB-QA：
  思路：自然语言表示的问题 —-(语义分析)—->逻辑表达式——>数据库查询语句——>得到结果
• 一点思考：
  
  1. 语义分析的基本思路就是将自然语言问题转化成Freebase上的查询语句，那么容易想到这种转化方式有很多种，直观的思路比如通过实体识别（entity recognition）来识别出句子中的实体，再在知识库中查找相应的实体以及它们所连接的其它实体，通过学习算法对这些连接的其它实体是问题答案的可能性进行评分，选择最高的几种作为答案；
  2. 而传统的一种办法是采用已有的PARSER来得到语义分析结果（逻辑形式Logic Form，可以表达为lambda演算式），比如CCG等，再考虑如何将这种语义分析结果转化为具体的查询语句；而带有逻辑形式标注的自然语言问句比较难，所以不满足数据集规模的要求，因此出现了通过Question-Answer pair来作为学习的数据，逻辑形式因此隐含于其中；
  3. 今天要做的这篇论文用到的办法是将图结构作为语义分析的结果，再和FREEBASE中的图结构进行匹配来得到相应的答案。