基于知识图谱的问答系统

• 分为两个部分：闲聊问答系统和古诗词的限定领域的问答系统

分为两个部分：闲聊问答系统和古诗词的限定领域的问答系统

两大部分：

1. 通过信息抽取建立详尽的知识图谱，对应查询时的功能，如何确定实体之间的关系集合，以及隐关系挖掘，关系到知识图谱的建立是否成功。

2. 应用时，如何获取使用者真实的意图(这一部分主要依据)，实体检测，意图识别，关系预测和查询构建。

涉及技术：

1. 如何知识建模、通过多种结构化、非结构化和部分结构化数据建立知识图谱，进行知识表达。
2. 不同的知识图谱之间是否可以融合？不同问题答案的不同，有些可以，但如何融合是，补充、更新和去重的操作，需要什么操作需要探索。

几大知识图谱，诸如wikidata、Yago、DBpedia、富含海量的世界知识，并以结构化形式存储。

每个节点代表现实世界中的某个实体，－－－－知识获取－－－－> 实体关系抽取技术。

实体关系抽取：特征工程、核方法、图模型曾被广泛应用～～

最新的神经网路关系抽取模型。

技术举例如下:
关系抽取：最新的神经网络关系抽取模型： 1、 RNN+LSTM 、卷积神经网络和Transformer 。Word embedding 85.4 / wordNET + POS + NER 86.3

关系抽取实际中问题:

1. 数据规模？人工标注训练数据是不可能完成的任务

2. 学习能力问题？ 在实际情况下，实体间关系和实体对之间频率服从长尾分布。有大量的样例较少的关系和实体对。

3. 复杂语境？现有模型主要从单个句子中抽取实体间关系，要求句子必须同时包含两个实体。实际上，大量实体关系表现在一篇文档的多个句子中，甚至多个文档中。如何在更复杂的环境中抽取关系，是关系抽取面临问题。
4. 开放关系问题？现有任务设定一般假设有预先定义好的封闭关系集合，将任务转为关系分类问题。这样无法获取文本中蕴含的实体间的新型关系。如何利用深度学习模型自动发现实体间的新型关系，实现开放关系抽取，仍然是一个“开放问题”。 文档级关系抽取：多个语句之间关系抽取，需要大量的人工标注来进行训练和评测。 OpenNRE- 开源项目
5. 有监督的经典关系抽取 SemEval ACE2005 TACRED Wiki80
6. 远程监督关系抽取 NYT10
7. 少次学习关系抽取 FewRel 2.0 FewRel
8. 文档级关系抽取 DocRED