智能搜索
前面在介绍语义检索时，我们讲到了DSSM以及QA match，这两种方式都是基于模型的检索，首先将用户Query和Answer映射到语义空间内的稠密的向量表达，然后通过有监督的方式训练match模型，这种方式由于存在召回损失和匹配误差，一般准确率不会太高。基于知识图谱的智能搜索先对用户的Query进行实体抽取，然后在知识库中进行知识检索，最终以知识卡片的形式将搜索结果展现出来，这是一种端到端的更直接的检索方式，检索结果相对来说更加精确。
智能检索主要包含以下几个关键步骤：
- 对Query文本进行分词、词性标注以及纠错，或者通过NER任务抽取出关键字。
- 将关键字与知识库中的实体及属性进行匹配，抽取摘要图，既保留足够的信息来计算查询所需的元素和结构，同时减少探索空间。
- 知识检索并做ranking，返回匹配度较高的实体。
实战部分详见基于elasticsearch的KBQA实现及示例
智能问答
问答是搜索引擎的下一代交互形式，能够以准确简洁的自然语言为用户提供问题的解答。根据问答形式可以分为一问一答（单轮）、交互式问答（多轮）、阅读理解。
知识问答（Knowledge Based Question and Answer，KBQA），首先将用户输入的Query经过语义解析转换为知识图谱的查询语言进行查询和推理，然后将得到的答案再进行组合以形成人类可阅读的文本。所以语义解析是知识查询的重难点。
KBQA的主流方法有三种：基于模板的方法、基于语义解析的方法、基于深度学习的方法。
基于模板的方法将模板定义为SPARQL query模板，然后直接将用户自然语言的Query映射为SPARQL query模板（规则或者deep QQ match的方式），并紧接着将模板中的占位符进行槽填充，最后查询知识库。
基于语义解析的方法如下所示：
基于深度学习的方法：
上面的模型采用CNN对知识图谱候选路径进行打分。输入是用户Query和候选路径，然后通过deep QQ match模型得到相似度得分。
上面的模型也是通过deep QQ match对知识图谱候选子图进行打分，其中实体和关系的嵌入式表示可以通过TransE模型获得。
实战部分详见基于REfO的KBQA实现及示例
更多参考资料：
从零开始构建知识图谱
SimmerChan知识图谱专栏
社群
- 微信公众号
