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

一、问答系统技术演进脉络与核心瓶颈

问答系统的发展历程本质上是信息处理范式的迭代过程。早期的基于规则的问答系统依赖人工编写的模板与逻辑映射，仅能覆盖限定领域的有限问题，泛化能力趋近于零。21世纪初统计机器学习方法的兴起，让问答系统具备了从大规模语料中学习模式的能力，但浅层语义匹配的局限性使其难以处理需要多跳推理的复杂问题。2018年BERT等预训练语言模型的出现，将开放域问答的准确率提升了近40%，然而这类纯文本驱动的模型始终面临三个核心痛点：一是事实性错误频发，预训练数据中的错误信息会被模型继承，且无法实时更新知识；二是推理过程不可解释，模型输出答案的决策路径难以追溯，在医疗、司法等对可靠性要求极高的场景下应用受限；三是复杂推理能力不足，当问题涉及多个实体的关联关系、数值计算或时序判断时，纯文本模型的准确率会出现断崖式下降。

知识图谱的结构化知识表示特性为解决上述问题提供了新的路径。知识图谱以三元组形式存储实体与实体间的关系，具备明确的语义关联与可解释性，能够为问答系统提供精准的事实支撑。但单独使用知识图谱的问答系统同样存在短板：知识图谱的覆盖率永远存在边界，长尾实体与动态知识难以被完全收录，且自然语言问题的表述灵活性与知识图谱的结构化查询语言之间存在天然的语义鸿沟。在此背景下，知识图谱与文本信息的联合推理成