普宁建设局网站,怎么做云购网站吗,东莞网站排名优化费用,鄂州商城网站建设来源#xff1a;ISWC 2017链接#xff1a;https://link.springer.com/content/pdf/10.1007%2F978-3-319-68288-4.pdf本文主要关注基于RDF数据的多语言问答任务中#xff0c;对不同语言问句的语义分析工作。作者提出一种基于DUDES(Dependency-based Underspecified Discourse… 来源ISWC 2017链接https://link.springer.com/content/pdf/10.1007%2F978-3-319-68288-4.pdf 本文主要关注基于RDF数据的多语言问答任务中对不同语言问句的语义分析工作。作者提出一种基于DUDES(Dependency-based Underspecified Discourse Representation Structures)的因子图推理方法对多语言问句中的词进行角色定义和识别并根据获取到的语义解析结果规则生成问题的SPARQL。文中表示使用因子图进行推理对语言类型的敏感程度较低是一种有效的多语言语义解析方法。模型的性能评测基于QALD-6发布的英语德语以及西班牙语数据。动机多语言问答是 QALD 提出的一个问答子任务目标是将给定的多语言问题映射到知识库中或是得到对应的SPARQL。 例如问句“Who createdWikipedia?” 目标生成的SPARQL为SELECT DISTINCT ?uri WHERE { dbr:Wikipedia dbo:author ?uri .} 多语言问答的一个主要难点在于“语义鸿沟”当问题语言与知识库语言不相同的时候就无法直接生成有效的映射。虽然机器翻译模型可以实现语言之间的转换但是存在两个明显局限其一现有的双语或者多语言平行问答语料数量不足以训练出高质量的机器翻译模型其二基于QALD定义的跨语言问答任务语言的转换完全取决于对问题句子的转换然而问句中可能包含部分噪声信息影响翻译的效果。为了解决语义鸿沟作者提出了AMUSE——一个基于因子图推理的跨语言解析模型。方法AMUSE的方法主要由两步推理构成1. L2KB这一步以实体链接为目标将问题中的局部与知识库相关联2. QC利用 L2KB 的链接结果以及问题中的主要关键词的词类/词性等因素构建问句的逻辑表达形式SPARQL关键技术DUDESDependency-based Underspecified Discourse Representation Structures一种用于指定意义表示及构成的结构化方式。模型流程如图 2 所示这里为了方便读者阅读作者以英语问题为例子来表现推理过程使用其他语言的过程也是一样。描述如下1. 输入问句为“Who created Wikipedia”首先得到对应的依存解析树2. 对问句中的词进行 L2KB 推理过程找到 Wikipedia 链接到的知识库中实体Wikipedia以及 created 链接到知识库中的属性author细节如图3此时的结果构成的部分SPARQL成分为3. 进入 QC 推理过程根据问句中各词的词性及依存关系给出问句中疑问词的推理标签此时完成 SPARQL 构成如SELECT DISTINCT ?y WHERE { dbr:Wikipedia dbo:author ?y .}对于问题语言与知识库不相同的案例作者提出的处理方式是利用多语言词典 Dict.cc 的词级别翻译配合 word embedding 检索找到知识库中可能的目标实体。 实验文章表示由于本工作是首个多语言语义解析器为了测试模型性能作者构建了多种词典word embedding 的组合分别在英德西班牙语上进行 Linking 与 QA 的两组实验评价指标为 F1 值结果如表 1总结文章的主要贡献在于提出了一个具备语言通用性的语义解析方法并且在QALD的定义下提出了一种词典embedding相似性检索的方式应对语义鸿沟(用于应对没有平行语料训练翻译模型的情况)。 论文笔记整理谭亦鸣东南大学博士生研究兴趣知识问答自然语言处理机器翻译OpenKG.CN中文开放知识图谱简称OpenKG.CN旨在促进中文知识图谱数据的开放与互联促进知识图谱和语义技术的普及和广泛应用。点击阅读原文进入 OpenKG 博客。
