基于条件知识库（CKB）的对话问答系统--论文阅读笔记

本文是‘’Learning to Extract Conditional Knowledge for Question Answering using Dialogue‘’论文的阅读笔记。最近开始看QA方面的一些论文，刚入门，很多东西都不太懂，感觉很吃力，慢慢坚持吧==

传统的基于知识库（KB）的问答系统，有三元组 （Subject， predicate， Object）组成，缺点在于当前面两者相同但是条件不同是，其会给出相同的答案。不能灵活地根据问题给出正确的答案。比如下图，虽然两个问题都是要升级win10，但win xp 和win 8是作为两个不同的条件，严重的影响着最终的答案：

所以本文提出了一种基于条件的知识库的问答系统，表示为（Subject，Predict， Object|Condition），就是在元十三元祖的基础上加了条件的限定。这样一来，我们就可以更灵活的做出回答。但是本文的模型仍有很大的限制，当用户的提问不满足回答条件时，对话系统会提示用户补全问题方可进行回答。如下图所示：

接下来看一下算法流程图，主要包括下面6步：

1. pattern mining
2. pattern aggregation
3. condition and pattern representation learning
4. conditions and patterns clustering
5. CKB construction
6. dialogue model construction
   如下图所示：
   
   接下来我们分步介绍其各个模块的功能和原理：

1 pattern mining

这一步主要是挖掘出训练集中的pattern，并提取条件。这部分的原理没搞太明白，大概意思是使用一种自举模式学习的方法（bootstrapped pattern-learning），用的是SPIED-Learn系统框架==。使用种子字典从未标记的文本中学习条件，种子字典由先前的主语和当前主语共同构成。然后pattern从标记的条件中学习。举例说明，假设当前主语为windows_10，windows_xp为条件，然后我们就可以学习到一个pattern，接下来再使用这个pattern去学习别的条件词：

上面所提到的种子库是通过下面这种方法构建的，首先去除问题中的无用词，比如“how to，how do i”等。揭晓来使用词性标注的方法，对问题进行切分，然后剩下来的部分则被添加到种子库中。最后学习到pattern之后，就使用‘SLOT0’将条件词进行替换，这样就可以继续学习别的条件词。

2 pattern aggregation

这部分比较简单，就是进行pattern得聚合。将相同pattern和不同condition的聚合为一类。比如：

最终的聚类结果如下图所示：

3 condition and pattern representation learning

这一部分是比较核心的算法，通过word2vec的方法，将condition和pattern表示为词向量的形式。这里分为下面三个部分：
1，condition embedding model：
在原始skip-gram模型的基础上加上condition-pair信息，用如下计算公式表示，Ck和Cm是模型学习的condition的词向量，



2，pattern embedding model：
这一部分是给pattern建模，将其映射到一个向量空间，Vk和Vm是pattern的词向量表示，这里我们单纯的对pattern建模，不结合skip-gram模型。如下所示：

3，alignment model
前面学习到了condition和pattern的embedding向量，但是由于是分开学习的，所以会被映射到两个空间当中，并没有什么联系。这里引入alignment模型，用于将二者联系在一起。思路和上面的方法一样，也是求condition和pattern的共现次数。 如下图所示：

这样我们的模型最终可以表示为上面三个模型的合集，将目标函数定义为：

J = Jc + Jp + Ja

最终学习到的向量空间使用t-SNE工具可视化之后效果如下，可见最终意思相近的condition和pattern在向量空间中的距离也十分接近。

4 condition and pattern clustering

这里做聚类的目的是将意图相近的pattern和有相同答案的condition聚合在一起，文中提出了一种基于embedding词向量的协同聚类算法。使用X-sim的分层聚类算法作为算法的主要框架。伪代码如下所示：

5 Conditional Knowledge Base Construction

这部分就是使用前面所有的工作进行条件知识库的构建（CKB）。上面的一步完成之后我们就获得了pattern和condition的聚类，然后就可以遍历所有的类别构成CKB，如下图所示：

这里需要注意的是，作者提出了“MISSING PERCENTAGE OF SLOT”的概念，就是pattern中的SLOT会丢失，或者不重要。作者提出了三种，第一种是只在一个cluster中包含的直接去除，第二种是十分重要以至于大部分人都不会遗忘的，第三种是对答案不会造成很大影响且基本上没有用户会提到的。

6 Dialogue Model Construction

上面我们已经构建好了条件知识库CKB，接下来就是用到实际的对话系统中。包含下面两个步骤：

1. 寻找问题中的pattern，如果发现问题中丢失了pattern中关键的condition，则跳到第二步
2. 提示用户输入condition，并提供一个候选集

至此，就将论文的主要算法部分介绍完毕。其实也就是一个很浅显的理解和笔记而已，因为第一次接触QA，所以很多地方理解不深而且也不知道真正的问题是什么==可能新手就这样吧、