本文主要是介绍论文浅尝 | 基于知识图谱子图匹配以回答自然语言问题，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
Citation: Hu,S., Zou, L., Yu, J. X., Wang, H., & Zhao, D. (2018). Answering natural language questions by subgraph matching over knowledge graphs. IEEE Transactions on Knowledge & Data Engineering, PP(99), 1-1.
动机
对于基于知识图谱的事实性问答（KBQA），采用基于语法分析的方法，大致分为两个阶段：其一为问题理解，即将问题转换为 SPARQL 类型的结构化查询；其二为查询评分，即对产生的结构化查询进行置信度评分。在问答系统中，重点是解决第一阶段中的歧义性问题，即解决：第一，短语链接问题，即如何将自然语言问句中的短语链接到正确的实体/类/关系/属性上；第二，复合问题，即一个自然语言问题可能转换为多个知识图谱三元组，而这多个三元组如何组合，才正确表达了问题的意图，并由此得到正确答案。
因此，为了解决第一阶段的两个问题，本文提出基于图匹配的方法，将解决歧义问题与查询评分这两个阶段融合在一起，即当得到自然语言问题的一个正确匹配的查询子图时，歧义问题也已经同时解决了。本文为了将自然语言转换为查询图，提出了关系优先（relation-first）和点优先（node-first）的方法。前者从自然语言问句中，尽量抽取对应的关系，并从句法树中抽取实体来构成查询图；后者从问句中尽量抽取对应的实体，再对实体之间的边进行填充，来构成查询图。该方法不需要事先人工设立模板，且对复杂问句分析非常有效。
贡献
文章的贡献有：
（1）不同于已有的基于模板的工作，本文工作不需要预先设置模板；
（2）不同于已有的基于语义分析的工作，本文工作的将歧义性问题与查询评分问题融合成一个问题来解决；
（3）本文工作对于解决复杂问题非常有效，且对于句法依存树的使用具有容错率。
方法
本文的工作主旨，是建立一个与自然语言问句意图充分匹配的查询图Qs，这个查询图中可以存在具有歧义性的实体（以节点表示）或关系（以边表示）。当这个查询图被确定下来时，对应的结构化查询也被唯一确定。为了建立结构化查询，本文首先从问句中形成以自然语言成分组成的查询图Qs，再通过图Qs与知识图谱G的同构匹配，来得到结构化查询。本文的工作主要分为线下和线上部分，其中线上部分又分为关系优先（
这篇关于论文浅尝 | 基于知识图谱子图匹配以回答自然语言问题的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
