机器人智能问答之基于知识图谱的问答

基于知识图谐的问答（Knowledge Base Question Answering，KBQA）是指给定构建完成的知识图谱，通过对用户问题理解，将用户的问题转化为在知识图谱上的查询语句，并执行该查询语句得到答案返回的过程。由于目前知识图谱通常是基于事实的图谱，所以KBQA通常用来回答事实性或百科类等知识问题。

KBQA通常包含以下步骤：知识图谱构建与存储、语义解析、查询语句执行、答案与回复生成。KBQA也分为在线部分和离线部分。KBQA在线部分将语言理解的结果用于做语义解析。KBQA离线部分主要包括知识构建与存储（即通过知识图谱技术对数据的表示、抽取、挖掘、关联、推理等操作形成行业知识库）、语义解析模型数据准备与训练这两部分。

语义解析是基于知识图谱问答系统的核心，将用户基于自然语言问题转化为计算机能够理解且可执行查询语句，然后在构建好的知识图谱上进行查询，从而得到问题的答案。

目前已有的语义解析方法主要包括：基于模板的方法、基于深度学习端到端的方法、基于复述的方法、基于图搜索的方法和基于表示学习的方法等。目前市场上大部分产品都是采用单一策略的方式来完成知识问答。其中，基于模板的方法适合的问答类型有限，且通常需要领域专家设计模板，人工成本很高，通过自动学习模板的方式也不够成熟；端到端的深度学习需要依赖大量标注数据，人工介入的耗费同样十分巨大，虽然能够较好地解决单跳问题，却并不适用于复杂的多跳型问题，同时在面对小数据量的领域知识图谱时，由于标注数据缺失，通常无法完成令人满意的问答任务，并且深度学习的黑盒特性导致其并不具备可解释性与可控性，在真实落地场景下会存在问题；而基于复述、基于图搜索、基于表示学习等方法同样存在各自的受限领域。因此，虽然实现语义解析的策略多种多样，但是每种策略具有不同的特性，能够有效工作的作用域有限，无法适应多领域多样性的用户问题，导致系统鲁棒性不够强。