一、摘要

介紹基于RDF的QA系統(tǒng)?，F(xiàn)存的解決方案分為兩個步驟，問題理解和查詢評價。問題理解階段關(guān)鍵問題是如何消歧，大多數(shù)采用聯(lián)合消歧的辦法，這種方法擁有指數(shù)級的搜索空間。

在本文中，從數(shù)據(jù)驅(qū)動圖的視角提出了一個系統(tǒng)性的框架來解決問題。本文利用“語義查詢圖”（semantic query graph）來對問題意圖進行建模，把RDF QA任務(wù)轉(zhuǎn)換成一個子圖匹配的問題。一旦在RDF中匹配到了語義查詢圖，就解決了自然語言問題中的歧義性問題。本文和當(dāng)前最高水平的QA系統(tǒng)做了對比，不僅提高了準(zhǔn)確度也提升了系統(tǒng)的執(zhí)行效率。

二、介紹

在RDF上寫SPARQL查詢對于用戶來說太難了，自然語言QA就可以完美的解決這個問題（隱藏了邏輯復(fù)雜性，允許用戶通過直觀的途徑獲取答案）。

1、動機

在問題理解的實體鏈接階段，存在著歧義性，某個自然語言表達式對應(yīng)著RDF中的多種資源、類型或?qū)嵗龋捎寐?lián)合消歧的傳統(tǒng)方法花了太大的代價在問題理解階段，問答系統(tǒng)的響應(yīng)時間很長。

在本文中，我們把消歧的任務(wù)放在了查詢評價階段，問題理解階段允許歧義性的存在。這樣做的主要優(yōu)點是避免了在問題理解階段花費昂貴的代價處理歧義性，同時也加快了整個系統(tǒng)效率。

一個自然語言問題中的短語可以對應(yīng)多個RDF graph G中的語義項（subject、object、predicate）。當(dāng)問題的語義圖沒有在G中匹配到，歧義性也就得到了解決。本系統(tǒng)的關(guān)鍵技術(shù)是，如何定義自然語言問題N到RDF graph G的子圖匹配(match)。N是非結(jié)構(gòu)化數(shù)據(jù)，G是結(jié)構(gòu)化的，為了構(gòu)建他們之間的映射關(guān)系，本文提出了一個問題語義圖Q^s來表示問題N?，F(xiàn)在的任務(wù)是尋求Q^s與RDF graph G之間的子圖匹配。

2、方法

問題理解階段，將自然語言問題N用語義查詢圖（Q^s）表示，頂點表示實體，邊表示關(guān)系。每條邊擁有兩個參數(shù)，分別是兩端的兩個頂點。每個頂點或者邊對應(yīng)多個RDF中的實體和謂詞。

查詢評價階段，匹配Q^s在RDF graph上的子圖，對每個匹配到的子圖指定一個分?jǐn)?shù)，，取top-k個匹配子圖。

主要貢獻：

把消歧和查詢評估一并處理，提高準(zhǔn)確度，提升系統(tǒng)執(zhí)行效率；

提出了圖搜索算法，把自然語言問題中的短語映射到RDF graph top-k個可能的謂詞，這個步驟構(gòu)建了一個釋義詞典D，格式是每個關(guān)系短語對應(yīng)RDF中的多個謂詞或謂詞路徑，同時也擁有一個置信度，這個釋義詞典D用在問題理解階段的關(guān)系鏈接上；

用語義查詢圖Q^s表示問題N，Q^s允許鏈接歧義的存在。把QA轉(zhuǎn)換成了一個在RDF graph G上的子圖匹配任務(wù)，這個步驟在查詢評價階段進行；

做了大量的實驗，本系統(tǒng)不僅更有效而且更有效率；