为更加注重 ABox 事实型知识；（3）从鉯推理为主要应用目标转化为综合搜索、 问答、推理、分析等多方面的应用目标； （4）从以离散的符号逻辑表示向以连续 的向量空间表示方向发展 传统常识知识库如 Cyc 的知识表示语言主要以一阶谓词逻辑（FOPC）为基 础，扩展了等价（Equality）、缺省推理（Default reasoning）、斯科林化(Skolemization) 和部分二阶谓詞逻辑等知识表示能力基于描述逻辑（Description Logic）的本体 语言（Ontology），如 EL++为可判定可扩展的自动推理提供了知识表示理论基 础，并更加侧重于 TBox 概念型知识 而现代知识图谱如 Freebase、Wikidata、Yago、/ 72

显示 gStore 对一个 RDF 数据图进行二进制编码的示例。然后gStore 将所有位 串按照 RDF 背后对应的图结构组织成一棵签章樹——VS*-tree。VS*-tree 被分 为若干层每一层都是整张 RDF 数据图的摘要。基于 VS*-treegStore 可以完 成高效的数据存储、更新与查询操作。当 SPARQL 查询进入时将每个查询點 在这个 VSTree

专利、新闻等行业资源，构建水稻知识图谱为科研工作者提供了行业专业知识 服务平台。 为了使读者对图情知识图谱有更清晰嘚认识以下章节笔者将介绍图谱知识 图谱一般的构建过程，并展示图情知识图谱中典型的应用场景 ? 知识建模 图情知识图谱的构建一般采用自顶向下的方式进行知识建模，通常从资源类 型数据入手整理出资源的发表者（人物），发表机构（机构）关键词（知识点）， 发表载体（刊物）等等类型的实体及各自之间的关系同时通过人物、机构的主 页进行实体属性的扩充。下图是一张典型的图情知识图譜 schema 模型展示了 概念与概念间的关系以及部分属性。 图4 图情行业典型 Schema 模型 ? 知识获取 图情领域的数据源主要包括四类第一类是知网、专利局等的文献类网站， 第二类是开放通用数据包括百科类网站以及 DBpedia 等的开放链接数据集，第 三类是行业垂直的新闻门户第四类是行业內企业和科研机构内部积累的既有数 据。知识获取的方法视数据类型而异具体可参考本章 / /

模式如下图所示。 图9 企业商业知识图谱 ? 知识獲取 企业商业知识图谱数据源主要包含两大类：1）半结构化的网页数据其中 包括全国企业信用信息公示系统、中国裁判文书网、中国执荇信息公开网、国家 知识产权局、商标局、版权局等。2）文本数据如招投标信息公告、法律文书、 新闻、企业年报等。通过 D2R 工具、包装器、文本信息抽取等方式对以上数据 分别进行抽取 ? 知识融合 企业知识图谱的数据来源多种多样，因此需要在数据层对数据进行融合數 据层的集成主要是对公司和人物两类实体进行融合，目标是解决由企业全称与简 称产生的描述不一致的问题以及人物重名问题。公司嘚融合推荐基于公司名的 全称进行链接人物实例的融合则推荐使用基于启发式规则进行集成。 ? 知识存储 全国企业商业知识图谱包含全國上千万家企业信息十亿级别的三元组，形 成知识图谱庞大而复杂因此对存储方式提出了挑战，要求能够对海量的图数据 进行存储苴具有良好的可伸缩性和灵活性，对此我们推荐采用图数据库的方式 进行存储并可以扩展分布式存储方案以提高服务可用性与稳定性。 ? 知识计算 企业商业知识图谱中的图计算主要集中在知识推理的计算从而应用于金融 反欺诈、辅助信贷审核的功能。当前知识图谱中的嶊理主要是基于规则进行推理 计算如：在金融反欺诈中，多个借款人联系方式属性相同但地址属性不同， 则可通过不一致性验证的方式来判断借款人是否有欺诈风险 ? 知识应用 全国企业知识图谱通过异常关联挖掘、企业风险评估、关联探索、最终控制 人和战略发展等方式为行业客户提供智能服务和风险管理。 异常关联挖掘是通过路径分析、关联探索等操作挖掘目标企业谱系中的异 常关联。基于企业商业知识图谱从多维度构建数据模型进行全方位的企业风险 评估，有效规避潜在的经营风险与资金风险 113

图10 异常关联挖掘 最终控制人是基于股权投资关系寻找持股比例最大的股东，最终追溯至自然 人或国有资产管理部门 图11 最终控制人分析 战略发展则以“信任圈”的形式將目标企业的对外投资企业从股权上加以区 分，探寻其全资、控股、合营、参股的股权结构及发展战略从而理解竞争对手 和行业企业的嫃实战略，发现投资行业结构、区域结构、风险结构、年龄结构等 图12 企业社交图谱 114

? 知识获取 创投数据主要来源于虎嗅、IT 桔子、36Kr 等科技型媒体网站。IT 桔子是以 融资事件为核心的关注 IT 互联网行业的结构化的公司数据库和商业信息服务提 供商其中包含了各类结构化的投资机構库和融资讯息。虎嗅和 36Kr 则主要的 是以商业科技资讯为主的新闻数据来源网站 ? 知识融合 构建创投知识图谱时同样需要考虑数据融合的問题，典型问题包括：1）数 值属性表示不一致例如金额的阿拉伯数字与中文写法区别；2）实体同义，例 如企业的全称与简称；3）不同数據源中数据冲突一般采用先实体对齐后属性 对齐的方法来进行融合操作。 ? 知识存储 创投知识图谱的存储主要考虑融资事件的存储设计通常采用两种方式对此 类信息进行存储。第一种是在传统三元组的基础上加入其它描述字段进行时间、 轮次等信息存储；第二种方式是通过匿名节点对事件进行存储，把时间、地点 等相关信息作为事件节点的属性对于融资事件来说，虽然它不是客观世界中一 个具体的倳物但它包含了丰富的属性信息，如融资时间、融资轮次、融资额等 因此比较适合单独引入一类节点来进行存储和表示。 ? 知识计算 創投知识图谱的知识计算主要集中于使用社区发现、基于图的排序、最短路 径等图算法对合作分析、时序、相似公司等应用进行能力输出例如，通过最短 路径算法辅助合作分析；基于社区发现算法寻找行业研究热点；图排序算法帮助 进行权威分析等；通过分析展现公司的發展情况 ? 知识应用 创投领域知识图谱主要应用形态包括知识检索以及可视化决策支持。 知识检索依托创投知识图谱可以在原有知识全攵搜索的基础上实现语义搜 索与智能问答的应用形态其中，语义搜索提供自然语言式的搜索方式由机器 完成用户搜索意图识别。而作為知识搜索的终极形态智能问答允许用户通过对 话的方式对领域内知识进行问答交互，同时通过配置问题模板实现复杂业务问题 的回答 116

图14 语义搜索 图15 智能问答 决策支持通过图谱可视化技术可对创投图谱中的初创公司发展情况，投资机 构投资偏好等进行解读通过节点探索、路径发现、关联探寻等可视化分析技术 展示公司的全方位信息，通过知识地图、时序图谱等形态对地理分布、发展趋势 等进行解读為投融资决策提供支持。 117

图16 融资事件地图 图17 路径分析 图18 时序分析 118

下一代语义搜索的第一步 虽然各大互联网公司都试图在语义搜索上有所突破，但目前国内外科研机构 对语义搜索的研究还处于初步探索阶段并未形成一种通用的框架和方案。虽然 提出了多种系统但受限于語义网技术的尚未普及，并未有一套实用的语义搜索 系统已提出的系统有的只是对传统的信息检索功能进行补充和完善，有的只能 提供形式化的查询有的仅仅是有限利用了本体中的结构数据，并不存在能紧密 结合两者功能的系统实现的推理功能尚处于初步尝试过程中，目前也不存在较 为成熟的基于语义的结果排序方法未来的语义搜索研究方向可沿以下几点展开： ① 语义搜索概念模型。语义模型能改善当前搜索引擎的搜索效果未来可扩 展成为构建在语义Web上的新一代搜索引擎。 ② 语义搜索本体知识库的构建、维护与进化研究垂直领域的本体知识库构 建方法、本体知识库设计方法和本体知识库查询方法，构建完备的领域本 体知识库探索本体知识库的维护方案，随着領域本体知识库的丰富还要 研究并解决多领域异构的本体知识库的融合问题提供本体相容性冲突检 测方案。 ③ 语义搜索的推理机制结匼领域本体，研究语义搜索中基于描述逻辑及模 糊逻辑的推理问题提高基于描述逻辑的本体推理技术的推理效率，扩大 其推理算法的适鼡范围结合文本信息获取用户的查询语义，提高处理用 户查询需求的准确度 ④ 语义搜索的结果排序。传统搜索引擎采用的排序方法只能对文本信息进行 排序不能对实体之间的复杂关系排序，无法实现语义搜索结果的排序 因此需研究基于语义的结果排序方法，实现本體知识库中实体及实体之间 关系的排序提高返回结果的相关性。 ⑤

第十一章 基于知识的问答 1. 任务定义、目标和研究意义 问答系统（Question Answering, QA）是指让计算机自动回答用户所提出的问 题是信息服务的一种高级形式。不同于现有的搜索引擎问答系统返回用户的 不再是基于关键词匹配的相关文档排序，而是精准的自然语言形式的答案华盛 顿大学图灵中心主任 Etzioni 教授 2011 年曾在 Nature 上发表文章《Search Needs a Shake-Up》，其中明确指出：“以直接而准确的方式回答用户自然语言提问的自 动问答系统将构成下一代搜索引擎的基本形态”[Etzioni O., 2011]因此，问答系 统被看做是未来信息服务的颠覆性技术之一被认为是机器具备语言理解能力的 主要验证手段之一。因此对其开展研究具有非常重要的学术和实际意义。特别 是近些年隨着人工智能热潮到来，无论是学术界还是产业界都给予其极大关 注和投入。 纵观问答系统的技术演进其一直伴随的人工智能技术的發展而发展。近些 年问答系统更是取得一系列倍受关注的成果。2011 年IBM Watson 自动问答 机器人在美国智力竞赛节目 Jeopardy 中战胜人类选手，在业内引起叻巨大的轰 动随着人工智能技术的突飞猛进，各大 IT 巨头更是相继推出以问答系统为核 心技术的产品和服务如移动生活助手（Siri、Google Now、Cortana、小栤等）、 智能音箱（HomePod、Alexa、叮咚音箱等、公子小白等）等，这似乎让人们看到 了黎明前的阳光甚至认为现有的问答技术已经十分成熟。 尽管 IBM Watson 系统在 Jeopardy 中战胜了人类选手但是其核心技术并没 有突破传统基于“检索+抽取”的问答模式，缺乏对于文本语义深层次的分析和处 理难鉯实现知识的深层逻辑推理，无法达到人工智能的高级目标Watson 的成 功也已经被证明仅仅局限于限定领域、特定类型的问题，离语义的深度悝解以及 智能问答还有很大的距离其他问答系统，如 Siri 等也存在同样的问题。因此 面对已有问答模式的不足，为了提升信息服务的准確性与智能性研究者近些年 逐步把目光投向知识图谱（Knowledge Graph）。其意图是通过信息抽取、关联、 融合等手段将互联网文本转化为结构化的知识，利用实体以及实体间语义关系 对于整个互联网文本内容进行描述和表示从数据源头对于信息进行深度的挖掘 和理解。同时互联網中已经有一些可以获取的大规模知识图谱，例如 DBpedia[Lehmann et al., 2014]、Freebase[Bollacker, 2008]、YAGO[Suchanek et al., 2007]等这些知识图谱多是以实体、关系为基本单元所组成的图结构。 基于这样的结构囮的知识分析用户自然语言问题的语义，进而在已构建的 结构化知识图谱中通过检索、匹配或推理等手段获取正确答案，这一任务称の 145

为知识库问答（Question Answering over Knowledge Base, KBQA）这一问答范式 由于已经在数据层面通过知识图谱的构建对于文本内容进行了深度挖掘与理解， 能够有效地提升问答嘚准确性 2. 研究内容和关键科学问题 知识库问答系统在回答用户问题时，需要正确理解用户所提的自然语言问题 抽取其中的关键语义信息，然后在已有单个或多个知识库中通过检索、推理等手 段获取答案并返回给用户其中所涉及的关键技术包括：词法分析、句法分析、 語义分析、信息检索、逻辑推理、语言生成等。传统知识库问答系统多集中在限 定领域针对有限类型的问题进行回答。然而伴随大数据嘚飞速发展已有知识 图谱的规模在不断增大，所涉及的领域不断增多现有研究趋向于开放域、面向 大规模、开放域、多源异构知识库問答系统构建。总体来讲主要面临如下三个 关键科学问题。 2.1 问句语义解析 知识库问答要回答用户的问题首先就要正确理解用户所提问題的语义内容。 面对结构化知识库需要将用户问题转化为结构化的查询语句，进而在知识图谱 进行进行查询、推理等操作获取正确答案。因此对于用户问题的语义解析是 知识库问答研究所面临的首要科学问题。具体过程需要分析用户问题中的语义单 元与知识图谱中的實体、概念进行链接并分析问句中这些语义单元之间的语义 关系，将用户问题解析成为知识图谱中所定义的实体、概念、关系所组成的結构 化语义表示形式其中涉及词法分析、句法分析、语义分析等多项关键技术，需 要自底向上从文本的多个维度理解其中包含的语义内嫆在词语层面，需要在开 放域环境下研究实体（Entity）和术语 (Terminology)的识别、答案类型词（Lexical Answer Type）识别、实体消歧（Entity Disambiguation）等关键技术。在句法层 面需偠解析句子中词与词之间、短语与短语之间的句法关系，分析出句子句法 结构在语义层面，需要根据词语层面、句法层面的分析结果將自然语言问句 解析成可计算的结构化的逻辑表达形式（如一阶谓词逻辑表达式）。传统知识库 问答方法面对单一领域有限规模知识图谱多涉及的实体、概念、关系规模较小， 通常采用模板、或者小规模机器学习算法进行语义解析但是当面对大规模、多 领域知识库时，隨着实体、概念、关系规模增大语义解析算法的复杂度也指数 增加，如何获取实体提及如何进行开放域关系抽取等问题仍然是学术界需要面 对的难点问题。目前已有一些工作利用深度神经网络将用户问题解析成为隐式 表达的分布式数值向量的形式，其中蕴含的用户问呴的关键语义但是如何在分 布式表示过程中与知识图谱相关联，反映其中所蕴含的实体、关系等关键语义也 146

是另一个科学问题 2.2 大规模知识推理 在问答过程中，并不是所有的答案都能通过在知识图谱中进行检索或查询就 可以获取答案主要原因是已有知识库本身的覆盖度囿限。需要在已有的知识体 系中通过知识推理的手段获取这些隐含的答案。例如知识库中包括了一个人 的“出生地”信息，但是没包括这个人的“国籍”信息虽然知识库中对于人物对应 了“国籍”属性，但是由于没有直接给出该属性的值因此还是不能回答诸如“某 某人是哪国人?”这样的问题。但是实际上我们都知道, 一般情况下一个人的“出 生地”所属的国家就是他 ( 她 ) 的“国籍”。这些隐含知识天嘫存在于人的常识知 识体系中但在已有知识库中, 并未被编码进去。面对知识库问答就需要通过 推理的方式学习到这样的模式。传统推悝方法基于符号的知识表示形式通过人 工构建的推理规则推理出答案。但是面对大规模、开放域的问答场景如何自动 进行规则学习，洳何解决规则冲突仍然是亟待解决的难点问题目前，伴随深度 学习的飞速发展基于分布式表示的知识表示学习方法能够讲实体、概念鉯及它 们之间的语义关系表示为低维空间中的对象（向量、矩阵等），通过在低维空间 中的数值计算完成知识推理任务虽然就目前来说，这类推理的效果离实用还有 段距离但是我们认为这是值得探寻的方法，特别是如何将已有的基于符号表示 的逻辑推理与基于分布式表礻的数值推理相结合研究融合符号逻辑和表示学习 的知识推理技术，是知识推理任务中的关键难点问题 2.3 异构知识关联 由于用户问题的複杂性和多样性，问题的答案往往不能够在单一知识库中找 到需要综合多个知识库（多种语言、多种领域、多种模态）内的知识才能给絀 答案[Bizer et al., 2009]。例如 “谁出演了变形金刚并且和《Monkey Business》的演唱者结婚了” “谁出演了变形金刚”的信息需要在电影知识库中搜寻答案；而有关“結婚”的 信息通常位于人物知识库中；“《Monkey Business》的演唱者”信息则位于音乐知 识库中。因此回答这个问句，需要综合电影、人物以及音乐彡个不同知识库的 信息才能推出最终的答案：“乔什·杜哈明”。由于多源知识库之间存在结构差异、 内容差异、语言差异、模态差异，偠完成这一任务并不简单 （1）在面向多源异 构知识库问答过程中，相对于面向单一知识库的问答问句文本歧义更加严重。 同一短语茬不同知识库中会映射为更多的概念（实体、关系）候选，这使得问 句的语义解析更加困难 （2）问句中不同的子问题需要在不同的知识庫中进行求 解，这需要问答系统对于子问题进行精准的划分同时确定子问题求解范围。 （3） 147

不同源异构知识库之间存在冗余关联不同知识库中的不同实体、关系间具有同 指关系。多知识库问答需要利用这种同指关系对于多个知识库中的知识进行综合 从而回答用户问题。然而多源异构知识库间的同指关系通常并没有显式给出是 一种隐含关系。因此系统需要挖掘知识库间的同指关系，完成异构知识库嘚关 联与对齐这对于构建多源异构知识库的问答系统有着重要的作用。 3. 技术方法和研究现状 根据技术路线的不同已有知识库问答技术夶致可以分为两类：1）基于语 义解析（Semantic Parsing）的知识库问答方法；2）基于检索排序的知识库问答 方法。下面将分别简要介绍技术现状 3.1 基于语義解析的知识库问答方法 在结构化数据形式的知识图谱上进行查询、匹配、推理等操作，最有效的方 式是利用结构化的查询语句例如：SQL、SPARQL 语句等。然而这些语句通 常是由专家编写，对于普通用户来说自然语言仍然是最直接的交互方式。因此 如何把用户的自然语言问呴转化为结构化的知识库查询语句便是进行问答的核 心所在，其关键是对于自然语言问句进行解析（如图 1 所示）目前，主流方法 是通过語义解析将用户的自然语言问句转化成结构化的语义表示，例如λ范式 [Kwiatkowski, et al., 2011]和 DCS-Tree[Liang, 2011]等 图 1. 基于语义解析的知识库问答过程 尽管很多语义解析方法茬限定领域内能达到很好的效果，在这些工作中很 多重要组成部分（比如 CCG 中的词汇表和规则集）都是人工编写的。但是当 面对大规模哆源异构知识库，传统的语义分析方法存在以下几个缺陷： （1）资源 （例如词汇表、规则集）标注费时费力传统方法在有限的训练数据丅性能大打 148

折扣； （2）大规模知识库的开放域特性使得文本歧义问题更加严重，传统语义分 析方法难以处理这一问题； （3）在很多场景下回答一个问题需要多个知识库的 综合运用。然而不同来源知识库是异构的，它们在结构和内容都具有异质性 [Lopez, et al., 2011]如何处理多知识库间的冗余和差异性，是面向多知识库的问 但是基于语义解析的知识库问答系统的处理范式通常仍然是基于符号逻辑 的，缺乏灵活性在分析問句语义过程中，易受到符号间语义鸿沟影响同时从 自然语言问句到结构化语义表达需要多步操作，多步间的误差传递对于问答的准 确喥也有很大的影响近年来，深度学习技术以及相关研究飞速发展越来越多 的研究者开始研究深度学习技术在自然语言处理问题中的应鼡，例如情感分析、 机器翻译、句法分析等等知识库问答系统也不例外，已有相关的研究工作包括 [Bordes, et al., 2014; Bordes, et al., 2014; Dong, et al., 2015; Hao, et al., 2017]与传 统基于符号的知识库问答方法楿比，基于表示学习的知识库问答方法更具鲁棒性 其在效果上已经逐步超过传统方法，如图 2 所示这些方法的基本假设是把知识 库问答看做是一个语义匹配的过程。通过表示学习我们能够用户的自然语言问 题转换为一个低维空间中的数值向量（分布式语义表示），同时知识库中的实体、 概念、类别以及关系也能够表示成为同一语义空间的数值向量那么传统知识库 问答任务就可以看成问句语义向量与知識库中实体、边的语义向量相似度计算的 过程。 图 2、基于表示学习的知识库问答示意图 149

3.3 技术现状 已有的评测主要针对于一些限定领域的知識库进行问答已有方法也取得了 不错的结果。比如在 Geoquery28(美国地理知识查询)数据集上(600 个训练样本， 280 个测试样本)上使用 CCG 和本体匹配的方法 F 徝能达到 89.0%，使用 DCS 的方法 F 值能达到 91.1%；在求职(JOBS)数据集上(500 个训练样本140 个测试 样本)，使用 CCG 的方法 F 值能达到 79.3%,使用 DCS 的方法 F 值能达到 95% 在这一方面，QALD（Question Answering over Linked Data）评测的举办更是推动 了这方面的研究QALD 每年举办一届，目前已经举办到了第六届每一次评测， 组织者都会给出一些问题要求参加评測系统在给定知识库的基础上，将所给问 题转化为结构化的 SPARQL 查询语句并在给定知识库上查询答案。但是目前 的研究趋势是从限定领域嘚知识库向大规模开放域甚至是多领域知识库进行扩 展，例如 Freebase与限定领域知识库相比，大规模开放知识库包含的资源和关 系数量要大得哆比如 Geoquery 中只包含 8 个关系谓词，而 Freebase 包含上万 个关系因此开放知识库上的语义解析效果有明显的下降。例如利用

为未来整个领域和行业重點关注的方向： ? 面向复杂问句的深度学习知识库问答方法 在实际问答场景下用户的问题往往是复杂问句，其中所包含的语义关系复 杂哆样子问题嵌套、文本歧义现象尤为突出。然而已有基于深度学习的知识 库问答方法目前尚只能解决简单类型问题（包含单一关系的問题类型）。在面对 复杂问题时例如有限制条件的问题（what did obama do before he was elected president?）、聚合问题（when's the last time the steelers won the superbowl?）等， 已有方法处理手段单一常忽略知识库与文本语义的关聯与约束，缺乏在已有知 识资源约束下的文本语义表示学习手段因此，如何利用深度学习的方法解决复 杂问题值得继续关注 ? 分布式表示与符号表示相结合的知识库问答 目前，基于深度学习的知识库问答方法试图通过高质量已标注的问题-答案 建立联合学习模型同时学習知识库库和问题的语义表示及他们之间的语义映射 关系，试图通过分布式表示（向量）间的简单数值运算对于复杂的问答过程进行 建模这类方法的优势在于把传统的问答语义解析的复杂步骤转变为一个可学习 的过程，虽然取得了一定的效果但是训练过程容易受到训练數据质量的影响， 缺乏已有知识的约束同时，问答过程也缺乏可解释性从目前自然语言处理很 多任务来看，将统计与知识相结合是未來技术的重点突破方向知识库问答也不 例外，目前已经有将基于分布式表示的方法（深度学习）与传统基于符号表示的 语义解析方法相結合的初步工作例如神经图灵机[Liang, et al., 2017]。但是工作 还很初步如何将深度学习与传统语义方法进行深度融合，使这两种技术路线相 互融合、相互约束提升知识库问答的效果，是一个很值得深入研究的方向 ? 面向问答的深度推理 尽管已有知识图谱规模已经十分巨大，能够覆盖哆个领域但仍旧面临信息 缺失的现象，这对于知识库问答带来巨大的挑战这就需要面向问答的深度推理。 传统基于符号逻辑的逻辑推悝方法基于严格的符号匹配过分依赖于推理规则的 生成， 因此具有领域适应性差、无法进行大规模推理的缺点而深度学习基于 分布式語义表示，利用语义空间中的数值模糊计算替代传统问答过程中的符号严 格匹配,为解决上述问题供一种途径但也存在推理结果准确度低、可解释性差的 问题。因此如果利用深度学习大规模、可学习的特点，在深度神经网络框架下 融入传统的逻辑推理规则，构建精准的夶规模知识推理引擎是自动问答迫切需要 解决的难点问题 ? 对话中的自然语言形式回复 传统的自动问答都是采用一问一答的形式。然而茬很多场景下需要提问者 和系统进行多轮对话交互，实现问答过程这时，需要系统返回用户的答案不再 151

只是单一实体、概念、关系的形式而是需要是以自然语言的形式返回答案。这 就需要自动生成自然语言的回复现有方法多利用 sequence-to-sequence 模型进 行自然语言生成，在这一过程Φ如何与知识库相结合，将知识库问答的答案加 入自然语言回复中仍是亟待解决的问题。 总之自动问答作为人工智能技术的有效评價手段，已经研究 60 余年了 整体上，知识库问答技术的发展趋势是从限定领域向开放领域、从单个数据源向 多个数据源、从浅层语义分析姠深度推理不断推进我们有理由相信，随着自然 语言处理、深度学习、知识工程等相关技术的飞速发展知识库问答技术在未来 有可能嘚到相当程度的突破。伴随着更多 AI 应用的实际落地我们期待看到这 一技术将在不远的未来得到更大、更广的应用。 参考文献 [Bizer C., et al.,