知识图谱上简单问题的知识问答
lychee简单问题的界定是能通过查找⼀个事实就可以解答。本⽂关注baline⽅法，是⼀篇概述博客。
quit什么意思本⽂介绍的⽅法属于pipeline风格，即分解问题到⼏个阶段，分阶段⽤对应的模块解决，最后的模块输出最后的结果。最新的研究进展也有构建知识图谱，然后在图上跑强化学习⽅法来进⾏解答路径选择。知识图谱上的简单问题知识问答
address缩写该问题可以直接分解为实体检测(entity detection)、关系链接(entity linking)、关系预测(relation prediction)、证据整合(evidence integration) 四个阶段。
羽毛球专业术语
有⼀个相关数据集：SIMPLEQUESTIONS。
实体检测(entity detection)
给定⼀个问题，实体检测的⽬标是识别被查询的实体。这很⾃然的就是⼀个序列标注问题，对每⼀个标识符(token)，分配ENTITY或者NOTENTITY两个标签中的⼀个。
序列标注问题很明显能使⽤RNN来做。RNN这⾥不再赘述，可以参考之前的博⽂。
质子教授
在RNN出现之前使⽤的⽅法是Conditional Random Fields(CRFs)，是当时的state-of-art。
实体链接(entity linking)
因素英语实体检测的输出是⼀系列代表候选实体的标识符，需要把它们链接起来以构成⼀个知识图谱。Freeba中将每⼀个节点使⽤⼀个机器标识符(MID, Machine Identifier)。除此之外，可以简单的当作⼀个模糊字符匹配来处理。
柯林斯关系预测(Relation Prediction)
关系预测的⽬标是识别被查询的关系。
可以被看做是整个问题上的分类问题。可以使⽤RNN、CNN、LR等分类器来进⾏。儿童动画故事
证据整合(Evidence Integration)
在由前述3个步骤给定个实体，个关系之后，最终任务是整合所有的证据抵达作为最终结果的⼀个预测。可以通过以下⽅法来做：
⾸先⽣成个元组，使⽤前述组件的得分(scores)相乘得到每⼀个元组的得分，因为前述三个步骤是独⽴进⾏的，所以很多组合会是没有意义上的(例：在知识图谱中没有对应的关系存在)，把这些⽆意义的组合剪去。剪去之后你会发现得分交叉(scoring ties)，因为知识图谱上有重名结点。可以简单的通
过选取⼊边最多的结点作为⼀个简单的代理结点(proxy)来打破交叉。进⼀步的，还可以选取有映射到维基百科的实体，这些实体出现在维基百科上，说明他们是流⾏的，或者说⼈们所关注的。
cot参考⽂献
英语3级考试. Salman Mohammed, Peng Shi, and Jimmy Lin , NAACL-HLT (2) 2018: 291-296.m r (entity ,relation )m ∗r (entity ,relation )
