面向知识库问答的问句语义解析研究综述
A Survey of Question Semantic Parsing for Knowledge Base Question Answering作者机构:中国科学院计算技术研究所数据智能系统研究中心北京100190 中国科学院大学计算机科学与技术学院北京101408 中科大数据研究院河南郑州450046 中国科学院计算技术研究所网络数据科学与技术重点实验室北京100190
出 版 物:《电子学报》 (Acta Electronica Sinica)
年 卷 期:2022年第50卷第9期
页 面:2242-2264页
核心收录:
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081203[工学-计算机应用技术] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金(No.62172393,No.U1836206,No.U21B2046) 中原英才计划-中原科技创新领军人才项目资助(No.204200510002)
摘 要:知识库问答(Knowledge Base Question Answering,KBQA)借助知识库中精度高、关联性强的结构化知识,为给定的复杂事实型问句提供准确、简短的答案.语义解析是知识库问答的主流方法之一,该类方法在给定的问句语义表征形式下,将非结构化的问句映射为结构化的语义表征,再将其改写为知识库查询获取答案.目前,面向知识库问答的语义解析方法主要面临三个挑战:首先是如何选择合适的语义表征形式以表达问句的语义,然后是如何解析问句的复杂语义并输出相应的语义表征,最后是如何应对特定领域中数据标注成本高昂、高质量数据匮乏的问题.本文从上述挑战出发,分析了知识库问答中常用的语义表征的特点与不足,然后梳理现有方法并总结分析其如何应对问句的复杂语义,接着介绍了当前方法在标注数据匮乏的低资源场景下的尝试,最后展望并讨论了面向知识库问答的语义解析的未来发展方向.