外贸网站建设 推广,php网站开发和部署,沪佳装修贵吗,宁波网站推广怎么做本文内容源自往期「论文浅尝」#xff0c;由 PaperWeekly 精选并重新排版整理#xff0c;感谢 PaperWeekly。ISWC 2018■ 链接 | http://www.paperweekly.site/papers/1912■ 源码 | https://github.com/quyingqi/kbqa-ar-smcnn■ 解读 | 吴桐桐#xff0c;东南大学博士生由 PaperWeekly 精选并重新排版整理感谢 PaperWeekly。ISWC 2018■ 链接 | http://www.paperweekly.site/papers/1912■ 源码 | https://github.com/quyingqi/kbqa-ar-smcnn■ 解读 | 吴桐桐东南大学博士生研究方向为自然语言问答概述随着近年来知识库的快速发展基于知识库的问答系统KBQA 吸引了业界的广泛关注。该类问答系统秉承先编码再比较的设计思路即先将问题和知识库中的三元组联合编码至统一的向量空间然后在该向量空间内做问题和候选答案间的相似度计算。该类方法简单有效可操作性比较强然而忽视了很多自然语言词面的原始信息。因此本文提出了一种 Attentive RNN with Similarity Matrix based CNNAR-SMCNN模型利用 RNN 和 CNN 自身的结构特点分层提取有用信息。文中使用 RNN 的序列建模本质来捕获语义级关联并使用注意机制同时跟踪实体和关系。同时文中使用基于 CNN 的相似矩阵和双向池化操作建模数据间空间相关性的强度来计算词语字面的匹配程度。此外文中设计了一种新的实体检测启发式扩展方法大大降低了噪声的影响。文中的方法在准确性和效率上都超越了 SimpleQuestion 基准测试的当前最好水平。模型模型如上图所示假设单关系问题可以通过用单一主题和关系论证来查询知识库来回答。因此只需要元组sr来匹配问题。只要s和r的预测都是正确的就可以直接得到答案这显然对应于o。根据上述假设问题可以通过以下两个步骤来解决 1. 确定问题涉及的 Freebase 中的候选实体。给定一个问题 Q我们需要找出实体提及mentionX那么名称或别名与实体提及相同的所有实体将组成实体候选 E。现在 E 中的所有实体都具有相同的实体名称因此我们暂时无法区分他们。具体地模型中将命名实体识别转换成了基于 Bi-LSTM 完成的序列标注任务。 2. 所有与 E 中的实体相关的关系都被视为候选关系命名为 R。我们将问题转换为模式 P它是通过用 e 替换问题中的提及而创建的。为了找出与问题真正相关的关系我们将 P 与 R 中的每个关系进行比较并对它们进行评分然后将得分最高的关系作为最终结果。为了更好地进行关系匹配模型从单词字面表达和语义两个层面对自然语言进行了建模。具体操作如下图所示图中所示的 AR-SMCNN 模型输入是经替换 mention 后的问题模版patternP 和候选关系 rk。模型左边的部分是结合了 attention 机制的 BiGRU用于从语义层面进行建模。右边的部分是 CNN 上的相似性矩阵用于从字面角度进行建模。最终将特征
