[论文解读] A Survey on Complex Question Answering over Knowledge Base: Recent Advances and Challenges

Bin Fu, Yunqi Qiu+4 more|arXiv (Cornell University)|Jul 26, 2020

Topic Modeling参考文献 5被引用 51

一句话总结

本综述将复杂知识库问答（KBQA）方法分为信息检索为基础的方法与神经语义解析为基础的方法，讨论数据集，并分析未来挑战与前沿趋势。

ABSTRACT

Question Answering (QA) over Knowledge Base (KB) aims to automatically answer natural language questions via well-structured relation information between entities stored in knowledge bases. In order to make KBQA more applicable in actual scenarios, researchers have shifted their attention from simple questions to complex questions, which require more KB triples and constraint inference. In this paper, we introduce the recent advances in complex QA. Besides traditional methods relying on templates and rules, the research is categorized into a taxonomy that contains two main branches, namely Information Retrieval-based and Neural Semantic Parsing-based. After describing the methods of these branches, we analyze directions for future research and introduce the models proposed by the Alime team.

研究动机与目标

• 总结数据集及其特征。
• 将主流KBQA方法分为基于IR和基于神经语义解析的方法。
• 分析传统、IR和 NSP 方法在复杂问题中的优势、局限性和适用性。
• 识别在实际KBQA部署中的前沿趋势与实际挑战。
• 突出Alime团队用于工业KBQA应用的模型与技术。

提出的方法

• 评估并将KBQA方法分为两大分支：信息检索为基础的（IR）和神经语义解析为基础的（NSP）。
• 描述传统的模板/规则方法及其局限性。
• 详细介绍基于IR的方法，包含特征工程与表示学习，以及多跳推理和外部知识整合。
• 描述通过查询图、STAGG/MultiCG扩展以及编码-解码方法生成可执行逻辑形式的 NSP 方法。
• 讨论解决弱监督和端到端训练的编码-解码和神经符号机。
• 概述其他新兴方法以及对 KV-MemNN、多轮交互和鲁棒性策略的改进。

实验结果

研究问题

• RQ1 复杂KBQA的主导方法分支及各自的优缺点是什么？
• RQ2 哪些数据集和基准驱动着复杂KBQA的研究，它们具有什么样的特征？
• RQ3 在鲁棒、可扩展和工业级的KBQA系统方面，前沿挑战和未来方向是什么？
• RQ4 工业团队（如Alime）在垂直领域的复杂KBQA是如何开展的？
• RQ5 哪些技术能够提升复杂KBQA中的实体链接、关系匹配和约束处理？

主要发现

• 两种主流的KBQA方法主导领域：信息检索为基础的方法和神经语义解析为基础的方法。
• NSP方法通常比IR方法在复杂问题上具有更高的性能，但需要更多训练数据或弱监督。
• IR方法受益于多跳推理和表示学习，并且可以通过外部知识进行增强，但往往缺乏可解释性和鲁棒的约束处理。
• 使用查询图和编码-解码架构的神经语义解析方法能够更好地处理复杂约束和聚合，但在没有黄金逻辑形式时仍存在训练难题。
• 正在积极整合外部知识源和多跳推理，以解决KB不完整和复杂问题结构。
• 工业应用，如Alime KBQA项目，展示了实际部署，包括多约束问题和效率提升。