圖5. 問題類型示意圖

根據(jù)上面的分類標(biāo)準(zhǔn)，問題可以具體劃分為如下三類：

（a）一跳問實(shí)體類型：

莫妮卡·貝魯奇的代表作？   select ?x where {<莫妮卡·貝魯奇><代表作品>?x.}     select ?x where {<><>?x.}

其括號(hào)內(nèi)結(jié)構(gòu)為<主><謂><賓>，得到主語(yǔ)、謂語(yǔ)，問賓語(yǔ)。

（b）二跳鏈?zhǔn)絾枌?shí)體類型：

發(fā)明顯微鏡的人是什么職業(yè)？select ?y where {<顯微鏡><發(fā)明人>?x.?x<職業(yè)>?y.} select ?y where {<><>?x.?x<>?y.}

其括號(hào)內(nèi)結(jié)構(gòu)為<主1><謂1><賓1><主2><謂2><賓2>，得到主語(yǔ)1、謂語(yǔ)1，匹配中間節(jié)點(diǎn)<?x>，再根據(jù)中間點(diǎn)的”職業(yè)”得到鏈?zhǔn)酱鸢浮?/p>

（c）二跳夾式問實(shí)體類型：

我們會(huì)在哪個(gè)民俗節(jié)日里猜燈謎？select ?x where {?x<類別><民俗>.?x<節(jié)日活動(dòng)><猜燈謎>.}  select ?x where{?x<><>.?x<><>.}

其括號(hào)內(nèi)結(jié)構(gòu)為<主1><謂1><賓1><主2><謂2><賓2>，得到主語(yǔ)1、謂語(yǔ)1、主語(yǔ)2、謂語(yǔ)2，最終得到賓語(yǔ)1、賓語(yǔ)2。將二者取交集，得到夾式答案。

4.1  問題類型的編碼方法

為了能建立一種將自然語(yǔ)言到SPARQL語(yǔ)言的中間表達(dá)方式（見參考文獻(xiàn)3、4），我們將問題根據(jù)上述分類標(biāo)準(zhǔn)，生成每種分類的序列式標(biāo)簽標(biāo)記，每個(gè)標(biāo)簽表示問句中槽位要素的語(yǔ)法成分。我們?nèi)艨紤]二跳以內(nèi)問題，則編碼需要的槽位數(shù)量為：

圖6. 槽位示意圖

其中每一位表示方法：

圖7. 每一位表示方法圖

一跳問實(shí)體類型：

圖8. 一跳問實(shí)體槽位信息圖

采用Bert-Seq（見參考文獻(xiàn)2）模型建模，測(cè)試集問題通過該模型預(yù)測(cè)后，得知問題的分類序列，即可得知有哪幾個(gè)語(yǔ)義槽需要填充，比如一跳問實(shí)體需要填充一個(gè)實(shí)體和一個(gè)關(guān)系。

五、實(shí)體識(shí)別

5.1  常見的命名實(shí)體識(shí)別方法

目前為止，命名實(shí)體識(shí)別主流方法可概括為：基于詞典和規(guī)則的方法、基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)的方法、基于深度遷移學(xué)習(xí)的方法等。在項(xiàng)目實(shí)際應(yīng)用中一般應(yīng)結(jié)合詞典或規(guī)則、深度遷移學(xué)習(xí)等多種方法，充分利用不同方法的優(yōu)勢(shì)抽取不同類型的實(shí)體，從而提高準(zhǔn)確率和效率。在中文分詞領(lǐng)域，國(guó)內(nèi)科研機(jī)構(gòu)推出多種分詞工具（基于規(guī)則和詞典為主）已被廣泛使用，例如哈工大LTP、中科院計(jì)算所NLPIR、清華大學(xué)THULAC和jieba分詞等。

在本數(shù)據(jù)集中主要采用了詞向量+條件隨機(jī)場(chǎng)的方法對(duì)自然語(yǔ)言問題中的命名實(shí)體進(jìn)行識(shí)別：

   圖9. Bert-Lstm-CRF結(jié)構(gòu)圖

（參考BioNerFlair:biomedical named entity recognition using flair embedding and sequence tagger）

5.2  檢索在實(shí)體識(shí)別過程中的作用

2020年CCKS基于知識(shí)圖譜的問答任務(wù)中有較多的和疫情相關(guān)的醫(yī)學(xué)領(lǐng)域問題：

（a）新冠病毒肺炎有哪些別稱？

（b）哪些是非傳染性的胃炎？

（c）流感裂解疫苗的規(guī)定組織是？

（d）哪種檢查項(xiàng)目能檢測(cè)出耳廓腹側(cè)面局限性囊腫、耳硬化癥和耳骨外翻的癥狀？

（e）有什么樣的檢查項(xiàng)目能檢測(cè)新生兒呼吸暫停、先天性肺動(dòng)靜脈瘺和老年人急性呼吸窘迫綜合征這些疾??？

這類問題中出現(xiàn)的命名實(shí)體的特點(diǎn)是名稱較長(zhǎng)，組成字符較為生僻，用上文中提到的模型識(shí)別效果不理想，會(huì)出現(xiàn)少字、識(shí)別結(jié)果序列中斷的現(xiàn)象。為了能夠提高召回率，并加速匹配實(shí)體名稱的過程，我們引入ELK作為命名實(shí)體識(shí)別的輔助技術(shù)手段，并取得了良好的效果。

六、實(shí)體鏈接

下圖中，”喬丹”、”美國(guó)”、”NBA”這些片段都是mention，其箭頭所指的方塊就是它們?cè)趫D譜里對(duì)應(yīng)的entity。其中”NBA”和”聯(lián)盟”雖然字面上不同，但是都指代了知識(shí)庫(kù)中的同一種實(shí)體。實(shí)體鏈接（entitylinking）就是將一段文本中的某些字符串映射到知識(shí)庫(kù)中對(duì)應(yīng)的實(shí)體上。

圖10. 實(shí)體鏈接示意圖

中文短文本的實(shí)體鏈接存在很大的挑戰(zhàn)，主要原因如下：

（a）名稱變體：同一實(shí)體可能以不同的文本表示形式出現(xiàn)。這些變體的來(lái)源包括縮寫(New York, NY)，別名(New York, Big Apple)，或拼寫變體和錯(cuò)誤(New yokr)。

（b）歧義性：根據(jù)上下文的不同，同一名稱通常會(huì)涉及許多不同的實(shí)體，因?yàn)樵S多實(shí)體名稱往往是多義詞(即具有多重含義)。”巴黎”這個(gè)詞可以指法國(guó)首都或帕麗斯·希爾頓。

（c）缺?。河袝r(shí)，一些命名實(shí)體可能在目標(biāo)知識(shí)庫(kù)中沒有正確的實(shí)體鏈接。這種情況可能發(fā)生在處理非常特定或不尋常的實(shí)體時(shí)，或者在處理關(guān)于最近事件的文檔時(shí)，另一種常見情況是在使用特定領(lǐng)域的知識(shí)庫(kù)(例如，生物學(xué)知識(shí)庫(kù)或電影數(shù)據(jù)庫(kù))時(shí)。

實(shí)體鏈接的方法大致分為以下幾種：

（a）基于排序的方法：Point-wise、Pair-wise。由于實(shí)體鏈接任務(wù)ground truth只有一個(gè)實(shí)體，一般都是用point-wise來(lái)做。輸入是文本的context、mention、和某個(gè)實(shí)體的特征，輸出mention指向該entity的置信度，以此排序，選出最可信的實(shí)體，常用的方法有包括LR、GBDT、RankSVM等算法。

（b）基于文本的方法：利用從大型文本語(yǔ)料庫(kù)中提取的文本特征(如詞頻-逆文檔頻率Tf-Idf，單詞共現(xiàn)概率等)。

（c）基于知識(shí)圖的方法：利用知識(shí)圖的結(jié)構(gòu)來(lái)表示上下文和實(shí)體之間的關(guān)系。

七、查詢構(gòu)造

在知識(shí)圖譜問答中，一個(gè)關(guān)鍵的步驟就是查詢路徑的構(gòu)造。查詢構(gòu)造旨在根據(jù)問題，構(gòu)造出問題的候選查詢路徑，通過路徑排序篩選出正確的查詢路徑，根據(jù)此路徑在知識(shí)圖譜中查找相對(duì)應(yīng)的實(shí)體目標(biāo)，作為問題的最終答案。而在此過程中，提高查詢路徑的召回率是我們的根本目標(biāo)。

主要有兩種不同類型的問句被廣泛研究：

（a）帶約束的單關(guān)系問題。例如，在問題”誰(shuí)是美國(guó)第一任總統(tǒng)?”中，答案實(shí)體和實(shí)體”美國(guó)”之間只有一個(gè)”總統(tǒng)”的關(guān)系，但是我們也有”首先”的約束需要被滿足。針對(duì)這類復(fù)雜問題，我們提出了一種分階段查詢圖生成方法，該方法首先確定單跳關(guān)系路徑，然后對(duì)其添加約束，形成查詢圖。

（b）有多個(gè)關(guān)系跳躍的問題。例如”誰(shuí)是Facebook創(chuàng)始人的妻子?”，答案與 “Facebook”有關(guān)，通過兩種關(guān)系，即”妻子”和”創(chuàng)始人”。為了回答這類多跳問題，我們需要考慮更長(zhǎng)的關(guān)系路徑，以達(dá)到正確的答案。這里的主要挑戰(zhàn)是如何限制搜索空間，即減少需要考慮的多跳關(guān)系路徑的數(shù)量，因?yàn)樗阉骺臻g隨著關(guān)系路徑的長(zhǎng)度呈指數(shù)級(jí)增長(zhǎng)。一個(gè)基本的解決方法就是使用beam search，其次還可以根據(jù)數(shù)據(jù)構(gòu)造特定的剪枝規(guī)則，減少產(chǎn)生的查詢路徑。

待候選查詢路徑產(chǎn)生后，須在候選路徑中選擇評(píng)分Top1的查詢路徑，作為最終選擇的目標(biāo)。其選擇路徑的方法基本是基于排序模型的，如深度模型 ESIM、BiMPM等算法。以下介紹一種基于計(jì)算句子相似度的排序方法，Siamese LSTM。Siamese Network 是指?絡(luò)中包含兩個(gè)或以上完全相同的??絡(luò)，多應(yīng)?于語(yǔ)句相似度計(jì)算、?臉匹配、簽名鑒別等任務(wù)上。下圖是整個(gè)網(wǎng)絡(luò)大致的計(jì)算過程，左右兩個(gè)句子輸入后，句子中的每個(gè)詞對(duì)應(yīng)一個(gè)數(shù)字，左右兩句話分別映射成一個(gè)向量，各自經(jīng)過一個(gè)LSTM網(wǎng)絡(luò)抽取特征后，使用曼哈頓距離計(jì)算兩邊向量的差距，最終得出預(yù)測(cè)結(jié)果（見參考文獻(xiàn)1）。

圖11. 語(yǔ)義匹配方法網(wǎng)絡(luò)結(jié)構(gòu)圖

（參考Siamese Recurrent Architectures for Learning Sentence Similarity）

通過Siamese LSTM的方法，我們可以計(jì)算待候選查詢路徑和查詢問題的匹配得分，選出得分Top1的查詢路徑就可以作為我們的最終選擇路徑。八、評(píng)測(cè)效果

本評(píng)測(cè)任務(wù)所使用的是2020CCKS（中國(guó)知識(shí)圖譜與計(jì)算語(yǔ)義大會(huì)）新冠開放知識(shí)圖譜，它來(lái)源于 （http://openkg.cn/group/coronavirus），其中包括健康、防控百科、臨床等多個(gè)具體數(shù)據(jù)集。我們將這些數(shù)據(jù)集整合到一起，同開放領(lǐng)域知識(shí)庫(kù)PKUBAS一起作為問答任務(wù)的依據(jù)。本任務(wù)的評(píng)價(jià)指標(biāo)包括宏觀準(zhǔn)確率(MacroPrecision)，宏觀召回率(Macro Recall)，AveragedF1 值，本文方法最終的實(shí)驗(yàn)效果指標(biāo)如下：

（a）識(shí)別效果：Averaged F1=0.901

（b）識(shí)別性能：在NVIDIA 2080Ti GPU上，平均響應(yīng)時(shí)間約200ms

總結(jié)

最后我們總結(jié)一下本方案的應(yīng)用有效性和價(jià)值潛力。在應(yīng)用有效性方面，通過今年2020年全國(guó)知識(shí)圖譜與計(jì)算語(yǔ)義大會(huì)知識(shí)圖譜問答任務(wù)數(shù)據(jù)集的評(píng)測(cè)得分，證明該方案在公開數(shù)據(jù)集上性能表現(xiàn)優(yōu)秀，具有很好的應(yīng)用效果；在價(jià)值潛力方面，本方案執(zhí)行效率高，并且適合各種不同業(yè)務(wù)場(chǎng)景的問答需求，表現(xiàn)出良好的可擴(kuò)展性，適合工程應(yīng)用。百分點(diǎn)認(rèn)知智能實(shí)驗(yàn)室已經(jīng)將該套方案部署到了眾多不同業(yè)務(wù)的知識(shí)圖譜系統(tǒng)中，取得了不錯(cuò)的社會(huì)和經(jīng)濟(jì)效益。

參考資料

[1]Siamese Recurrent Architectures for Learning Sentence Similarity

[2]Learning Phrase Representations using RNNEncoder–Decoder for Statistical Machine Translation

[3]SEQ2SQL: GENERATING STRUCTURED QUERIES FROMNATURAL LANGUAGE USING REINFORCEMENT LEARNING

[4]Towards Complex Text-to-SQL in Cross-DomainDatabase with Intermediate Representation

[5]BioNerFlair: biomedical named entityrecognition using flair embedding and sequence tagger

xiesc