知识图谱问答：从自然语言问题到图谱查询

在知识图谱应用中最直接也最能体现系统能力的任务之一就是问答。用户不再只输入几个关键词而是直接提出问题例如“某人物的作品有哪些”“某公司属于什么类型”“某演员主演的高评分电影有哪些”。这时系统要做的就不只是检索文本而是理解问题、定位实体和关系再到知识图谱中寻找答案。一、什么是知识图谱问答知识图谱问答可以理解为把用户提出的自然语言问题转化为面向知识图谱的查询任务再从图谱中返回答案。它与普通检索的不同在于系统不仅要找到“相关文本”还要尽量直接给出“结构化答案”。自然语言问句需要经过解析、理解再到知识图谱中完成查询、推理、比较等动作最后返回答案。因此知识图谱问答的核心不是“找页面”而是“找知识”。二、为什么知识图谱问答比关键词检索更进一步关键词检索的重点是字面匹配。而知识图谱问答的重点是识别问题里涉及的对象、关系和条件并把这些内容映射到图谱结构上。例如“刘德华主演的电影中豆瓣评分大于 8 分的有哪些”这类问题并不只涉及一个实体也不只涉及一个关系。系统至少要处理人物实体电影实体“主演”关系“评分大于 8”这一比较条件多个实体、多个关系和多跳查询。这说明知识图谱问答比普通检索更进一步因为它要求系统真正理解问题的结构而不仅是找到包含相同词语的文本。三、知识图谱问答的两种主要方法知识图谱问答主要有两种方法框架。1、基于信息检索的方法这种方法的基本思路是1先利用中文分词、命名实体识别等自然语言处理工具2找到问句中涉及的实体和关键词3再去知识资源库中检索4最后通过打分模型对答案排序。这种方式的优点是实现思路较直接。它通常更适合那些问题形式较简单、答案能够在候选结果中较快排序出来的场景。2、基于语义解析的方法这种方法更进一步。它会把自然语言问句按照特定语言的语法规则解析成语义表达式再将其转化为某种数据库或知识图谱的查询语言。也就是说它不是只提取关键词而是尽量把整个问题翻译成机器能执行的查询结构。因此语义解析方法通常更接近“真正的图谱查询”。四、从自然语言问题到图谱查询要经过哪些步骤把一个自然语言问题转化为图谱查询通常至少要经过三个关键步骤。1、识别实体和关键词系统首先要找出问题中提到的对象。命名实体识别是信息抽取的重要组成部分其目标是从文本中识别出实体的命名性指称项并标明类别。例如在问题中系统要先判断哪个词是人物哪个词是机构哪个词是作品哪个词是时间、数值或条件。2、理解关系和条件光识别实体还不够。系统还要知道问题想问的是什么关系是“主演”“投资”“属于”还是“评分大于某值”这样的比较条件。3、映射为图谱查询当前两步完成后系统才能把问题转成图谱上的结构化查询。在 RDF 场景下这种查询通常可以进一步转成 SPARQL从图的角度看RDF 数据上的结构化查询可以视为子图匹配问题。可以用下面的图概括这个过程这说明知识图谱问答的关键不是最后那一步“显示答案”而是前面的“理解和转换”。五、为什么知识图谱问答常常涉及推理知识图谱问答并不总是简单查询。基于知识图谱的推理问答通常应用于涉及多个实体、多个关系、多跳和比较等相对复杂的问题。这意味着很多问题不能只靠“一跳查询”解决而需要系统进一步跨多个实体跳转结合多个关系链做比较、筛选和条件约束在必要时利用推理补全隐含知识。因此知识图谱问答之所以重要不只是因为它“能回答问题”而是因为它把查询能力和推理能力结合起来了。六、知识图谱问答为什么离不开自然语言处理知识图谱本身是结构化的但用户提问通常是自然语言的。这就意味着系统必须在自然语言和图谱结构之间建立桥梁。这一桥梁主要依赖自然语言处理包括中文分词命名实体识别词义消歧语义角色标注指代消解等。也就是说知识图谱问答并不是孤立的图查询问题而是“自然语言处理 图谱查询 推理”的综合任务。如果自然语言理解做得不够好后面的图谱查询也会失去基础。 小结知识图谱问答的核心是把自然语言问题转化为面向知识图谱的结构化查询。它通常经历实体识别、关系理解和查询映射三个步骤并可结合推理处理多实体、多关系、多跳和比较问题。“点赞有美意赞赏是鼓励”