基于知识图谱的问答学习（KBQA）

KBQA的核心问题如下：

1.如何自动化构建知识图谱.

2.如果完成问句和sql查询的对应.

本文主要学习第二个问题：

知识图谱问答基于模板

小象学院王昊奋的基于模板的知识图谱问答

复旦博士崔万云基于规则的问答

基于检索的知识图谱问答系统构建

阿里小蜜：知识结构化推动智能客服升级

https://mp.weixin.qq.com/s?__biz=MzU1NTMyOTI4Mw==&mid=2247493403&idx=1&sn=9cd4a6d15687c52c4a02694538d6bca5&chksm=fbd75577cca0dc6196e23e6aa676ef8ee87362cbc8a627c0571af7089b7bec54111a4cf2b995&scene=27#wechat_redirect

思考：

FAQ的痛点如下：

一是知识管理痛点：

• 设置多个知识点，答案细致，但知识管理任务重。
• 设置1个知识点，管理任务轻，但答案过粗。

二是语言理解难点。语言具有多样性、歧义性、复杂性、复用性、模糊性等特点

例如：

上海的人口 北京的人口 天津的人口 可以归一化 城市->人口数量

上海去年有多少人口 北京去年有多少人口

只通过FAQ的方法不能理解这种问题，但是需要构建知识库，携程FAQ的业务有没有这种问题？

如何建立Schema

通过整理FAQ进行抽象然后完成Schema构建

Semantic Parser （把非结构化的用户 query 变成结构化语义表达式，就是我们通常所说的 ）

FAQ的配置的标准答案进行结构化

1. 不用端到端（比如seq2seq），而是使用pipeline从query一步步到最后的查询语句，更细粒度化，可以在中间加入更多人工干预，精度更高。
2. 意图不再是一个普通的标签，而是由三维因子组成 ( domain，predicate，target )
3. NER做了一些改进，"大流量58元套餐“需要识别的实体是“大流量套餐”，实体中间可断不必连续