引言

作者是在NLPCC2016的中文KBQA数据集上做的实验，该数据集中所有的问题都是一跳简单问题。

方法的基本框架包含三个部分：

实体链接，包括mention识别和实体消歧。识别出问题中的所有mention，然后将它们连接到KB中的实体。因为一个mention可能有多个候选实体对应，所以要消歧。
谓词匹配，匹配问题与KB中的候选谓词。
答案选择，将候选实体-谓词对排序，将top1转化为查询语句，查询KB得到答案。

介绍别人工作的部分（从实体链接部分没有过渡直接介绍了谓词匹配，有点突兀）

提出了人工特征和BiLSTM、CNN的不足之处。

于是作者使用BERT来解决上述的问题，并列出两点贡献：

BB-KBQA模型

整体框架

首先，简介了BERT（略）。然后介绍了本文中主要使用的两个模型BERT-Softmax和BERT-CRF。

用BERT编码输入文本序列，[CLS]位置的隐层向量，接softmax分类，学习率 $1e^{-5}$ ，epoch30。

$H = BERT(x); p_i = softmax(Wh_i + b)$

用BERT编码输入文本序列，隐层向量H，接CRF层序列标注，学习率 $5e^{-5}$ ，epoch3。

$H = BERT(x); Y = CRF(WH+b)$

$m = BERT CRF([Q])$

实体消歧

评测方提供了mention2id文件，能将mention映射到KB中所有可能的实体。对于每一个候选实体 $e_i$ ，将问题 $Q$ 与其拼接 $[Q;e_i]$ ,输入到BERT-softmax模型中，输出的“1”标签对应的概率值即为该候选实体的得分。

$p^e_i = BERT Softmax([Q;e_i])$

根据得到的候选实体，可以获得候选谓词集合。类似于上一步，将问题和关系词拼接输入到BERT-softmax模型中，输出的“1”标签对应的概率值即为该候选谓词的得分。

$p^r_{ij} = BERT Softmax([Q; r_{ij}])$

综合实体评分和谓词评分，加权求和作为最后的实体-谓词对分数，α=0.6。

$S = α ×S_e +(1 − α) ×S_r$

以上三个子任务需要不同的数据集训练。

mention识别的数据集由作者人工标注。

实体消歧的数据集，作者收集了所有对应正确mention的实体，正确的实体作为正例，其余实体作为负例。

谓词匹配的数据集，作者手机了所有对应正确实体的谓词，正确的谓词作为正例，其余的作为负例。

问答整体F值

mention识别结果

实体消歧结果

谓词匹配结果

错误分析

本文提出的方法在NLPCC2016数据集上取得了SOTA。将来，作者计划在其他数据集上进行实验，并尝试实体链接和谓词匹配的联合模型。