KBQA方案对比

栗友们，大家好，我是Zarc

最近在关注KBQA方向，推荐一篇综述——《Complex Knowledge Base Question Answering: A Survey^[1]》，对综述做了一个简单总结，如果想了解相关细节，推荐读一下原文。

当前，KBQA存在两种主流方案：基于语义解析、基于信息检索

基于语义解析

问题理解模块：进行语法和句法分析，为后续的解析步骤获得一个编码问题，一般利用神经网络来获取输入问题的编码表示，还可以通过语法解析来增加输入问题的结构属性
逻辑解析模块：将输入问题的编码表示转化成尚未进行实例化的逻辑表示，之所以是未实例化，是因为其尚未填充实体和关系，不同的KBQA系统的逻辑表示可以是不同的，这种逻辑表示可以通过生成一组token序列或者对候选token序列排序得到。
KB实例化模块：将未实例化的逻辑解析结果，通过输入问题中实体和关系实例化得到可执行语句，最终得到一个可执行语句，如SparQL语句。
KB执行模块：将实例化结果通过KB进行查询，生成最终的预测答案。

基于信息检索

通过对生成的所有实体进行排序，将概率最大的实体作为预测答案。
通过预先定义好的词汇便来自由生成相关文本。

检索源构建模块：从输入问题中的主题实体开始，系统首先基于该实体从KB中抽取一个图。最理想情况下，该图包含所有与该问题实体相关的实体关系，并将其作为该图的节点和边。在不生成逻辑表达式的情况下，使用基于信息检索的方法对该图进行隐式推理。
问题表示模块：对输入的问题进行编码，该模块通过分析问题的语义，输出向量表示的推理指令。通常做法是将问题通过神经网络进行编码得到推理指令的向量表示。
基于图的推理模块：通过基于向量的计算进行语义匹配，沿着图的相邻实体和边进行传播和聚合信息，推理状态会根据推理指令进行更新
答案生成模块：根据推理结束时的推理状态生成答案，这里的生成方案有两种：

二者异同点：

共性	特性
两种方案都包含KB处理模块。如KB实例化模块、KB执行模块、检索源构建模块。两种方案都依赖于编码器来识别问题中的实体。基于语义解析的方案利用它来实例化逻辑表达式，基于信息检索的方案来利用它缩小检索源中的推理规模，因此这种基于问题理解的编码器性能对二者都十分重要。	基于语义解析的方法十分依赖逻辑解析模块，它能够为每个问题生成一个逻辑表达式，但是由于标注样本的获取需要的代价较高，所以通常基于语义解析的方法都是在弱监督设置下进行训练，与基于检索推理的方案相比，基于语义解析的方案具有明确的可解释性和更强的鲁棒性，但是逻辑解析模块受到模型解析能力的限制，这也是语义解析方法的关键之处。基于信息检索模块方法首先使用检索模块，在知识库中获取到该特定问题的图表示，然后使用基于图的推理模块对图的结构进行复杂推理，将得到的答案最终通过答案生成模块进行预测。基于信息检索模块的性能很大程度上取决于检索模块的召回率，因为后续的基于图的推理都是将检索模块召回的图作为输入，同时基于图的推理和答案生成模块能够在最终实现准确预测。基于信息检索的方法最终是生成实体或者自由文本结果，而不是像语义解析方法那样生成查询指令，因此基于信息检索方法适合端到端的训练方法，与基于语义解析的方法相比更容易进行优化，但是这种端到端的方法类似于黑箱推理，缺少了可解释性，降低了模型的鲁棒性。

共性

特性

两种方案都包含KB处理模块。如KB实例化模块、KB执行模块、检索源构建模块。

两种方案都依赖于编码器来识别问题中的实体。基于语义解析的方案利用它来实例化逻辑表达式，基于信息检索的方案来利用它缩小检索源中的推理规模，因此这种基于问题理解的编码器性能对二者都十分重要。

基于语义解析的方法十分依赖逻辑解析模块，它能够为每个问题生成一个逻辑表达式，但是由于标注样本的获取需要的代价较高，所以通常基于语义解析的方法都是在弱监督设置下进行训练，与基于检索推理的方案相比，基于语义解析的方案具有明确的可解释性和更强的鲁棒性，但是逻辑解析模块受到模型解析能力的限制，这也是语义解析方法的关键之处。
基于信息检索模块方法首先使用检索模块，在知识库中获取到该特定问题的图表示，然后使用基于图的推理模块对图的结构进行复杂推理，将得到的答案最终通过答案生成模块进行预测。基于信息检索模块的性能很大程度上取决于检索模块的召回率，因为后续的基于图的推理都是将检索模块召回的图作为输入，同时基于图的推理和答案生成模块能够在最终实现准确预测。基于信息检索的方法最终是生成实体或者自由文本结果，而不是像语义解析方法那样生成查询指令，因此基于信息检索方法适合端到端的训练方法，与基于语义解析的方法相比更容易进行优化，但是这种端到端的方法类似于黑箱推理，缺少了可解释性，降低了模型的鲁棒性。

本期关于KBQA的介绍到这里就结束了，后面将会带来具体的KBQA方案和相关代码分析，敬请期待~

最后，关注六只栗子，面试不迷路！