基于神经网络的问答系统中知识图谱与文本信息的联合推理与答案生成研究综述.docVIP

基于神经网络的问答系统中知识图谱与文本信息的联合推理与答案生成研究综述

近年来，问答系统作为自然语言处理领域的核心应用方向之一，已从早期基于规则匹配、统计学习的范式，全面转向深度神经网络驱动的智能问答阶段。当前主流的神经网络问答系统可分为三类：基于结构化知识图谱的问答、基于非结构化文本语料的问答，以及知识图谱与文本信息融合的联合问答。其中联合推理框架通过互补两类信息的优势，既解决了知识图谱存在的实体覆盖不全、关系稀疏问题，也缓解了纯文本问答面临的信息分散、噪声干扰、推理链条模糊等痛点，成为当前学术研究与产业落地的核心聚焦方向。

一、知识图谱与文本信息的联合表示学习技术

联合表示学习是实现两类信息深度融合的基础，其核心目标是将知识图谱中的结构化三元组（头实体、关系、尾实体）与非结构化文本中蕴含的语义信息映射到同一低维向量空间，使得语义相近的实体、关系、文本片段在向量空间中距离更近。

1.基于对齐约束的表示学习方法

早期的联合表示学习以实体对齐为核心约束，通过知识图谱实体与文本中实体提及的对应关系构建训练目标。例如TransE文本扩展模型在TransE的三元组距离损失基础上，额外引入实体向量与文本中对应实体提及的上下文词向量的均方误差损失，使得实体的结构化表示与文本语义表示趋于一致。部分研究进一步引入关系对齐约束，将知识图谱中的关系类型与文本中表达同类关系的动词短语、句法模式进行联合