基于LSTM的大规模知识库自动问答

doi:10.13209/j.0479-8023.2017.155

北京大学学报（自然科学版） ›› 2018, Vol. 54 ›› Issue (2): 286-292.DOI: 10.13209/j.0479-8023.2017.155

基于LSTM的大规模知识库自动问答

周博通, 孙承杰^†, 林磊, 刘秉权

哈尔滨工业大学计算机科学与技术学院, 哈尔滨 150001

收稿日期:2017-06-04 修回日期:2017-09-05 出版日期:2018-03-20 发布日期:2018-03-20
通讯作者: 孙承杰, E-mail: cjsun(at)insun.hit.edu.cn
基金资助:
国家高技术研究发展计划专项经费(2015AA015405)和国家自然科学基金(61572151, 61602131)资助

LSTM Based Question Answering for Large Scale Knowledge Base

ZHOU Botong, SUN Chengjie^†, LIN Lei, LIU Bingquan

School of Computer Science and Technology, Harbin Institute of Technology, Harbin 150001

Received:2017-06-04 Revised:2017-09-05 Online:2018-03-20 Published:2018-03-20
Contact: SUN Chengjie, E-mail: cjsun(at)insun.hit.edu.cn

摘要/Abstract

摘要：

针对大规模知识库问答的特点, 构建一个包含3个主要步骤的问答系统: 问句中的命名实体识别、问句与属性的映射和答案选择。采用别名词典结合LSTM语言模型进行命名实体识别, 使用双向LSTM模型结合两种不同的注意力机制进行属性映射, 最后综合前两步的结果进行实体消歧和答案选择。该系统在NLPCC-ICCPOL 2016 KBQA任务提供的数据集上的平均F1值为0.8106, 接近评测的最好水平。

关键词: 知识库, 自动问答, 命名实体识别, 注意力机制

Abstract:

To solve the specific problem in KBQA, a question answering system is built based on large scale Chinese knowledge base. This system consists of three main steps: recognition of named entity in question, mapping from question to property in KB, and answering selection. Alias dictionary and LSTM language model are used to recognize named entity contained in question, and two different attention mechanisms are combined with bidirectional LSTM for question-property mapping. Finally, exploit results of first two steps are exploited for entity disambiguation and answering selection. The average F1 value of proposed system in NLPCC-ICCPOL 2016 KBQA task is 0.8106, which is competitive with the best result.

Key words: knowledge base, question answering, named entity recognition, attention mechanism

中图分类号:

TP914

周博通, 孙承杰, 林磊, 刘秉权. 基于LSTM的大规模知识库自动问答[J]. 北京大学学报（自然科学版）, 2018, 54(2): 286-292.

ZHOU Botong, SUN Chengjie, LIN Lei, LIU Bingquan. LSTM Based Question Answering for Large Scale Knowledge Base[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2018, 54(2): 286-292.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://xbna.pku.edu.cn/CN/10.13209/j.0479-8023.2017.155

https://xbna.pku.edu.cn/CN/Y2018/V54/I2/286

[1]	赵宇兰, 万广文, 刘忠宝. 融合显性知识和隐性知识的古诗情感分析[J]. 北京大学学报自然科学版, 2025, 61(3): 420-430.
[2]	张越, 王长征, 苏雪峰, 闫智超, 张广军, 邵文远, 李茹. 基于标签语义信息感知的少样本命名实体识别方法[J]. 北京大学学报自然科学版, 2024, 60(3): 413-421.
[3]	李超, 侯霞, 乔秀明. 融合知识的文博领域低资源命名实体识别方法研究[J]. 北京大学学报自然科学版, 2024, 60(1): 13-22.
[4]	王瑞, 梁建国, 花嵘. 基于多尺度特征解析的放射学报告生成方法[J]. 北京大学学报自然科学版, 2024, 60(1): 71-78.
[5]	丁娜, 刘鹏, 邵惠鹏, 王学奎. 双向注意力文本关键词匹配法条推荐[J]. 北京大学学报自然科学版, 2024, 60(1): 79-88.
[6]	田原, 庞骁, 赵文祎, 常啸寅, 程楚云, 邹佩, 曹晓澄. 基于Transformer的滑坡短期位移预测模型[J]. 北京大学学报自然科学版, 2023, 59(2): 197-210.
[7]	高晓倩, 周夏冰, 张民. 基于多信息感知的多方对话问答方法[J]. 北京大学学报自然科学版, 2023, 59(1): 21-29.
[8]	游新冬, 葛昊杰, 韩君妹, 李育贤, 吕学强. 面向武器装备领域的复杂实体识别[J]. 北京大学学报自然科学版, 2022, 58(3): 391-404.
[9]	丁家杰, 肖康, 叶恒, 周夏冰, 张民. 面向问答领域的数据增强方法[J]. 北京大学学报自然科学版, 2022, 58(1): 54-60.
[10]	马超, 万璋, 张玉洁, 徐金安, 陈钰枫. 引入图像信息的多模态复述生成模型[J]. 北京大学学报自然科学版, 2022, 58(1): 45-53.
[11]	王引苗, 韩志敏. 基于多跳路径的知识库补全[J]. 北京大学学报自然科学版, 2022, 58(1): 7-12.
[12]	苏丰龙, 孙承哲, 景宁. 融合上下文的残差门卷积实体抽取[J]. 北京大学学报自然科学版, 2022, 58(1): 69-76.
[13]	李娟. 汉语近义词辨析知识库构建研究[J]. 北京大学学报自然科学版, 2022, 58(1): 106-112.
[14]	李天然, 刘明童, 张玉洁, 徐金安, 陈钰枫. 基于深度学习的实体链接研究综述[J]. 北京大学学报自然科学版, 2021, 57(1): 91-98.
[15]	万璋, 张玉洁, 刘明童, 徐金安, 陈钰枫. 融合物体空间关系机制的图像摘要生成方法[J]. 北京大学学报自然科学版, 2021, 57(1): 75-82.

基于LSTM的大规模知识库自动问答

LSTM Based Question Answering for Large Scale Knowledge Base

RichHTML

PDF

PDF (翻译版)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

留言