问答系统历史：基于模板的问答专家系统----->基于信息检索的问答----->基于社区的问答----->基于知识库的问答（受益于维基百科等）
问答形式分类：一问一答，交互式问答，阅读理解。
现有的成果： Wolfram Alpha;答题机器人：日本的‘多达一’高考答题机器人、863：基于大数据的类人智能关键技术与系统；
评测数据集：1.QALD，知识库问答测评。QALD的测评指标：准确率、召回率和F值
2.WebQuestions（5810个问题）
3.FREE917
基于深度学习的问答方法：基于分布式表示(DL)的知识库问答；LSTM、attentionModel、memory network。
问句与答案计算相似度
传统的问答方法：符号表示；基于关键词、逻辑表达式、文本蕴含推理。
问句短语：
wh—短语：who 、when、where、what、which、why、how
wh+名词（形容词，副词）：which shool ，how long
问答质量评估原则：相关度、正确度、精炼度、完备度、简单度、合理度
答案评估：正确、错误，不完全
问答系统基本组件：数据预处理，问题分析，数据匹配，查询创建，排序，结果生成与返回
答案的处理：抽取、组合、摘要、推理
基于知识图谱的问答的基本需求：支持自然语言问句查询，支持多种问题方式，准确率覆盖率高，维护代价低、查询速度快、面对大数据可扩展性好。
技术挑战：如何将问题映射到答案
基于模板的问答：TBSL架构
step1：模板生成：
步骤：获取自然语言问题的POStag信息---->基于POStag信息，语法规则表示问句---->利用domian-dependent词汇和domian-independent词汇来辅助分析问题------>最后将语义转化为一个SPARAQL模板
step2：模板匹配与实例化，实体识别与属性检测：
有了SPARAQL模板后，就要将自然语言问句与知识库的本体概念建立映射关系，对于resources和classes：实体识别常用方法:用Wordnet定义知识库中标签的同义词；计算字符串相似度（trigram，levenshtein和子串的相似度）；对于property labels还要和存储在BAO模式库中的自然语言表示做比较；最高排位的实体将作为填充查询槽位的候选答案。
待续中。。。。。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
