中文知识图谱问答 CCKS2019 CKBQA - 参赛总结

[TOC]

• 调研时间：2019.06.05~2019.06.19
• 参赛时间：2019.06.28~2019.07.25

中文知识图谱问答（从0到0.6+）

• Chinese Knowledge Base Question Answering（CKBQA）

一、任务

1、任务定义

什么是知识库？

• 一条条知识，而把大量的知识汇聚起来就成了知识库。

  ex1：奥巴马出生在火奴鲁鲁
  ex2：姚明是中国人
  ex3：谢霆锋的爸爸是谢贤

• 知识来源：维基百科、百度百科等百科全书

• 特点：非结构化的自然语言、不适合计算机去处理

• 三元组（triple）（为了方便计算机的处理和理解，需要更加形式化、简洁化的方式去表示知识）

  - ex1：奥巴马出生在火奴鲁鲁 --> (奥巴马，出生地，火奴鲁鲁)
  - （主语，谓语，宾语）subject predicate object
  - （实体，属性，属性值）entity attribute value
  - （头实体，关系，尾实体）head_entity relation tail_entity

• 进一步，把实体看作是结点，把关系看作是一条边，包含大量三元组的知识库就构成了一个庞大的知识图谱

什么是知识库问答？

• 基于知识库问答（knowledge base question answering, KBQA）
• 即，给定自然语言问题，通过对问题进行语义理解和解析，进而利用知识库进行查询、推理得出答案。
• 按应用领域划分：开放领域（百科知识问答等）和特定领域（金融、医疗、宗教、客服等）
• 评价指标：召回率、精确率、F1值、MRR（平均倒数排序）
  • $$Q\text{为问题集合，}A_i\text{为对第i个问题给出的答案集合，}G_i\text{为第i个问题的标准答案集合}$$
  • $$Macro Precision = \frac{1}{|Q|} \sum_{i=1}^{|Q|}P_i，P_i = \frac {|A_i \cap G_i|} {|A_i|}$$
  • $$Macro Recall = \frac{1}{|Q|} \sum_{i=1}^{|Q|}R_i，R_i = \frac {|A_i \cap G_i|} {|G_i|}$$
  • $$Averaged F1 = \frac{1}{|Q|} \sum_{i=1}^{|Q|} \frac{2P_iR_i}{P_i+R_i}$$
• 两大关键技术
  • 【实体链指】：将问句中的实体名字链接到知识库中特定的实体上，涉及到实体识别和实体消歧。
  • 【关系抽取】：将问句中的实体关系抽取出来，涉及到词性标注、词法句法分析、关系分类等。
• 举个栗子：姚明的老婆是什么星座？
  • （姚明，妻子，叶莉）—>（叶莉，星座，天蝎）

CCKS2019CKBQA定义

• 基于中文知识图谱的自然语言问答，简称 CKBQA
  （Chinese Knowledge Base Question Answering）
• 即输入一句中文问题，问答系统从给定知识库中选择若干实体或属性值作为该问题的答案。
• 问题均为客观事实型，不包含主观因素。
• 理解并回答问题的过程中可能需要进行实体识别、关系抽取、语义解析等子任务。
• 这些子任务的训练可以使用额外的资源，但是最终的答案必须来自给定的知识库。

2、相关评测

简单问题：NLPCC 2015-2018 （对应单元组查询）

• NLPCC2015 评测：Open Domain Question Answering
• NLPCC2016 评测：Open Domain Chinese Question Answering
• NLPCC2017 评测：Open Domain Question Answering
• NLPCC2018 评测：Open Domain Question Answering

复杂问题：CCKS 2018-2019 （对应多元组查询）

• CCKS2018 评测 任务四：开放领域的中文问答任务，CCKS2018 COQA 比赛平台
• CCKS2019 评测 任务六：中文知识图谱问答，CCKS2019 CKBQA 比赛平台，PKU BASE的在线查询终端：gStore，SPARQL语法规则

3、相关数据

训练集

NLPCC 2016（14609条）2016、2018测试集答案

<question id=1>	《机械设计基础》这本书的作者是谁？
<answer id=1>	杨可桢，程光蕴，李仲生
==================================================
<question id=2>	《高等数学》是哪个出版社出版的？
<answer id=2>	武汉大学出版社
==================================================

CCKS 2019 （2298条）

q1:莫妮卡·贝鲁奇的代表作？
select ?x where { <莫妮卡·贝鲁奇> <代表作品> ?x. }
<西西里的美丽传说>

q2:《湖上草》是谁的诗？
select ?x where { ?x <主要作品> <湖上草>. }
<柳如是_（明末"秦淮八艳"之一）>

知识库

NLPCC 2016 知识库网盘

• 三元组（43063796条）

  空气干燥 ||| 别名 ||| 空气干燥
  空气干燥 ||| 中文名 ||| 空气干燥
  空气干燥 ||| 外文名 ||| air drying
  空气干燥 ||| 形式 ||| 两个
  空气干燥 ||| 作用 ||| 将空气中的水份去除

• 提及-实体（7623034条）

  空气 干燥 ||| 空气干燥
  air drying ||| 空气干燥 氧化结膜干燥
  罗育德 ||| 罗育德
  鳞 ||| 鳞       公子鳞
  squama ||| 鳞   鳞片

CCKS 2019 知识库网盘，密码：hcu8 开放领域问答的数据+金融领域问答数据 (1/4)

• 三元组（41009142条）：由<>括起的为实体，由””括起的为文本值

  <美国奥可斯（香港）国际控股集团>        <公司名称>      "美国奥可斯（香港）国际控股集团有限公司" .
  <美国奥可斯（香港）国际控股集团>        <成立时间>      "2007-06-28" .
  <美国奥可斯（香港）国际控股集团>        <经营范围>      <培训> .
  <美国奥可斯（香港）国际控股集团>        <经营范围>      <影视> .
  <美国奥可斯（香港）国际控股集团>        <公司口号>      "品牌立业，质量最好" .

• 提及 + 实体 + order（13930118条）：可以用来辅助选手进行实体链接

  献陵    献陵_（唐高祖李渊陵墓） 1
  献陵    明献陵  2
  献陵    献陵_（朝鲜太宗献陵）   3
  佛罗伦萨        佛罗伦萨_（意大利托斯卡纳大区首府）     1
  佛罗伦萨        佛罗伦萨足球俱乐部      2

• 实体 + 类型 + 值（25182628条）：可以用于检查问题类型和答案类型

  <美国奥可斯（香港）国际控股集团>        <类型>  <文学作品> .
  <美国奥可斯（香港）国际控股集团>        <类型>  <文化> .
  <寻美中国>      <类型>  <品牌> .
  <青春是我和你一杯酒的深>        <类型>  <文学作品> .
  <青春是我和你一杯酒的深>        <类型>  <网络小说> .

4、相关工作

• NLPCC2015 第1名评测论文 [1]
• NLPCC2016 第1-4名评测论文 [2-5]
• NLPCC2017 第1-2名评测论文 + 会议论文 [6-8]
• NLPCC2018 第1名评测论文 [9]
• CCKS2018 第1-3名评测论文 [10-12]
• CCKS2019 第1-4名评测论文 [13-16]

二、方法

1、创建数据库

• 图数据库：NEO4J、JENA、gStore（Linux）
• 关系数据库：MySQL（ours）、PostgreSQL
• 注意：

  统计字段长度
  检查数据正误
  设置主键：id 自增
  创建索引
  设置编码：utf8mb4
  设置引擎：Innodb
  建立访客用户
  Python - pymysql

2、创建训练数据

分类单多跳问句（二分类）

• 单跳：SPARQL 只出现一个三元组

  q1:莫妮卡·贝鲁奇的代表作？
  select ?x where { <莫妮卡·贝鲁奇> <代表作品> ?x. }
  <西西里的美丽传说>

• 双跳：SPARQL 出现两个以上三元组

  q616:红豆的演唱者出生在？
  select ?y where { ?x <代表作品> <红豆_（王菲演唱歌曲）>. ?x <出生地> ?y. }
  <东城区_（北京市东城区）>

分类链式问句（二分类）

• 链式：SPARQL 多个三元组呈递进关系，x->y->z，非交集关系

  q894:纳兰性德的父亲担任过什么官职？
  select ?y where { <纳兰性德> <父亲> ?x. ?x <主要职位> ?y. }
  "武英殿大学士"	"太子太傅"
  
  q554:宗馥莉任董事长的公司的公司口号是？
  select ?y where { ?x <董事长> <宗馥莉>. ?x <公司口号> ?y. }
  "win happy health,娃哈哈就在你身边"

主谓宾分类（三分类）

• 问句的答案对应三元组里面的主语，spo=0

  q70:《悼李夫人赋》是谁的作品？
  select ?x where { ?x <代表作品> <悼李夫人赋>. }
  <汉武帝_（汉朝皇帝）>

• 问句的答案对应三元组里面的谓语，spo=1

  q506:林徽因和梁思成是什么关系？
  select ?x where { <林徽因_（中国建筑师、诗人、作家）> ?x <梁思成>. }
  <丈夫>

• 问句的答案对应三元组里面的宾语，spo=2

  q458:天津大学的现任校长是谁？
  select ?x where { <天津大学> <现任校长> ?x . }
  <李家俊_（天津市委委员，天津大学校长）>

实体提及识别（NER序列标注）

• 根据训练语料的SPARQL语句，查找实体的提及，反向构建训练数据

  q1408:电影《怦然心动》的主要演员？
  select ?x where { <怦然心动_（美国2010年罗伯·莱纳执导电影）> <主演> ?x. }
  <艾丹·奎因>	<玛德琳·卡罗尔>	<卡兰·麦克奥利菲>	<约翰·玛哈尼>	<摩根·莉莉>
  
  电 O
  影 O
  《 O
  怦 B-LOC
  然 I-LOC
  心 I-LOC
  动 I-LOC
  》 O
  的 O
  主 O
  要 O
  演 O
  员 O
  ？ O

关系抽取（语义相似度计算，二分类）

• 查找实体的关系中与问句最相近的关系
• 一个正例，再从对应实体的关系中随机抽取5个作为负例

  q267:里奥·梅西的生日是什么时候？
  select ?x where { <里奥·梅西_（阿根廷足球运动员）> <出生日期> ?x . }
  "1987-06-24"
  
  里奥·梅西的生日是什么时候？	出生日期	1
  里奥·梅西的生日是什么时候？	妻子	0
  里奥·梅西的生日是什么时候？	所属运动队	0
  里奥·梅西的生日是什么时候？	中文名	0
  里奥·梅西的生日是什么时候？	类型	0
  里奥·梅西的生日是什么时候？	外文名	0

实体链接（二分类）

• 查找问句中实体提及对应的唯一实体
• 6个特征：order、提及初始分、问题和提及字符匹配度、问题和实体语义相似度、问题和实体字符匹配度、问题和实体关系的最大相似度 —> 标签

  q2035:张三丰创立了什么门派？
  select ?x where { <张三丰_（武侠小说人物）> <荣誉> ?x . }
  "创立武当派"
  
  张三丰创立了什么门派？	<张三丰_（南宋至明初道士）>	1.0	1.0	0.43	0.15978466	0.6	0.99257445	0
  张三丰创立了什么门派？	<张三丰_（武侠小说人物）>	0.9	1.0	0.43	0.97132427	0.58	0.99660385	1
  张三丰创立了什么门派？	<张三丰_（桌游《英雄杀》中的英雄之一）>	0.8	1.0	0.43	0.920861	0.38	0.0007164952	0

纠正错误标注

• 由于时间问题只纠正了一部分
• 实体中含多余空格：q10、q149、q490、q559、q723、q1191
• 多个三元组未以’.’分割：q65
• 实体标注错误：q124、q300、q422、q432、q449、q1699
• 关系标注错误：q381

  q10:北京奥运会的口号是什么？
  select ?x where { <2008年北京奥运会 > <口号> ?x. } 
  "同一个世界，同一个梦想"
  修正：
  select ?x where { <2008年北京奥运会> <口号> ?x. }
  
  q124:吉野家创建于什么时候？
  select ?x where { <吉野家> <创始时间> ?x. }
  "1899"
  修正：
  select ?x where { <吉野家_（日本牛肉饭店）> <创始时间> ?x. }

3、训练模型

• 分类单多跳问句（二分类：BERT 做单句子分类）acc=89.13%

  # acc低的原因：以下问题实则单跳可以解决
  q542:习大大是哪里毕业的？
  select ?y where { ?x <别名> "习大大" . ?x <毕业院校> ?y . }
  "清华大学"
  
  q1560:小马哥有哪些主要成就？
  select ?y where { ?x <别名>"小马哥". ?x <主要成就> ?y. }
  "改变中国SNS现状"	"1998年创立 腾讯公司"	"腾讯慈善基金会"
  
  q1574:习大大什么时候入党？
  select ?y where { ?x <别名> "习大大". ?x <入党时间> ?y . }
  "1974"

• 分类链式问句（二分类：BERT 做单句子分类）acc=96.15%

• 主谓宾分类（三分类：BERT 做单句子分类）acc=91.63%

• 实体提及识别（NER序列标注：BERT+BiLSTM+CRF 的 NER 模型）

  评价指标：召回率 Recall
  只使用单跳数据，初始结果 87.28%
  改进：
  去除提及的书名号和双引号，结果 89.47%，但只能识别0~1个实体提及
  加入单多跳所有数据，模型测试结果 88.24%，可以识别出多个提及

• 关系抽取（语义相似度计算，二分类：BERT 做句子对分类）

  单跳数据初始结果83.7%，mask掉实体提及81.06%，
  最终模型是混合 nlpcc2016 和 ccks2019 的所有数据
  改进：
  nlpcc2016数据负例是从关系全集中抽取的，
  改成ccks2019从对应实体的所有候选关系中抽取

• 实体链接（二分类：xgboost 做分类）

  正例结果acc：89.15%，按概率分布评价acc：97.34%
  改进1：
  提及得分：order、1/order、提及初始分、实体长度、实体长度占问题长度比
  实体得分：问题和实体的语义相似度、问题和实体后缀的语义相似度、问题和实体后缀的杰卡德系数
  关系得分：问题和实体关系的最大相似度，问题和实体关系的最大杰卡德系数
  正例结果acc：98.90%，按概率分布评价acc：99.13%，初赛最后一天实现，复赛未能派上用场，很遗憾。
  
  改进2：
  查找所有候选实体，提及左右进行扩展或删减，外加百度百科搜索
  实体链接后还是没找到实体，采用暴力搜索，逐个字符匹配
  若识别出多个提及，则实体链接也对应多个，但链式问题搜索答案时只使用得分最高的

4、预测数据

• 实体提及识别要考虑问句中出现的空格问题

  {"id": "q1", "question": "\"成败一知己，生死两妇人\"所说的人物有什么重大成就？", "hop": "1", "spo": "2", "chain": "1", "mention_list": ["成败一知己，生死两妇人"]}
  {"id": "q2", "question": "葬于茂陵的皇帝在位于哪段时间？", "hop": "1", "spo": "0", "chain": "1", "mention_list": ["茂陵", "皇帝"]}
  {"id": "q3", "question": "\"光武中兴\"说的是哪位皇帝？", "hop": "0", "spo": "0", "chain": "0", "mention_list": ["光武中兴"]}

5、搜索答案

• 注释

  hop=0 表示是单跳问题（如：姚明的女儿是谁？），hop=1 表示是多跳问题（单跳问题仅需一个三元组，多跳需两个以上）
  spo=0 表示已知谓宾求主语，spo=1 表示已知主宾求谓语，spo=2表示已知主谓求宾语（如：姚明的女儿是谁？）
  chain=0 表示非链式问题，chain= 表示链式问题（如：姚明的女儿的年龄是多少？）
  ner 表示用NER模型识别出问句中的实体提及（如：姚明的女儿是谁？ 提及：姚明）
  Entity Linking 表示实体链指，找出提及对应的实体（如：姚明的女儿是谁？ 实体：<姚明_（中职联公司董事长兼总经理）>）
  Relation Extraction 表示关系抽取，找出问题中关系（如：姚明的女儿是谁？ 关系：<女儿>）

• 详细介绍

  step1：先对问题进行分类（判断是否单多跳、是否主谓宾、是否链式）和提及识别；
  step2：根据识别到的提及，进行左右扩展或删减，搜索所有的候选实体，根据一组特征对候选实体打分排序（实体链接模型），取top1；
  step3：根据spo值，搜索实体对应的所有关系，与当前问题计算语义相似度（关系抽取模型），取top1，搜索数据库得到统一单跳问题的求解；
  step4：如果是链式且是多跳问题，将step3得到的答案作为实体再进行一遍step3，得到多跳链式问题的求解；
  step5：如果是非链式且识别到多个实体，对每个实体搜索数据库，查询对应的所有候选三元组，然后求交集，得到多跳多实体问题的求解。

三、总结

• 参加完CCKS2019评测会议后再补充 。。。。。。
• 本方法暂时没有开源的打算… …

四、参考文献

• [1] NLPCC2015 1st Ye Z, Jia Z, Yang Y, et al. Research on open domain question answering system[M]//Natural Language Processing and Chinese Computing. Springer, Cham, 2015: 527-540.
• [2] NLPCC2016 1st Lai Y, Lin Y, Chen J, et al. Open domain question answering system based on knowledge base[M]//Natural Language Understanding and Intelligent Applications. Springer, Cham, 2016: 722-733.
• [3] NLPCC2016 2nd Yang F, Gan L, Li A, et al. Combining deep learning with information retrieval for question answering[M]//Natural Language Understanding and Intelligent Applications. Springer, Cham, 2016: 917-925.
• [4] NLPCC2016 3rd Xie Z, Zeng Z, Zhou G, et al. Knowledge base question answering based on deep learning models[M]//Natural Language Understanding and Intelligent Applications. Springer, Cham, 2016: 300-311.
• [5] NLPCC2016 4th Wang L, Zhang Y, Liu T. A deep learning approach for question answering over knowledge base[M]//Natural Language Understanding and Intelligent Applications. Springer, Cham, 2016: 885-892.
• [6] NLPCC2017 1st Lai Y, Jia Y, Lin Y, et al. A Chinese question answering system for single-relation factoid questions[C]//National CCF Conference on Natural Language Processing and Chinese Computing. Springer, Cham, 2017: 124-135.
• [7] NLPCC2017 2nd Zhang H, Zhu M, Wang H. A Retrieval-Based Matching Approach to Open Domain Knowledge-Based Question Answering[C]//National CCF Conference on Natural Language Processing and Chinese Computing. Springer, Cham, 2017: 701-711.
• [8] NLPCC2017 会议 周博通, 孙承杰, 林磊, et al. 基于LSTM的大规模知识库自动问答[J]. 北京大学学报：自然科学版, 2018.
• [9] NLPCC2018 1st Ni H, Lin L, Xu G. A Relateness-Based Ranking Method for Knowledge-Based Question Answering[C]//CCF International Conference on Natural Language Processing and Chinese Computing. Springer, Cham, 2018: 393-400.
• [10] CCKS2018 1st A QA Search Algorithm based on the Fusion Integration of Text Similarity and Graph Computation
• [11] CCKS2018 2nd A Joint Model of Entity Linking and Predicate Recognition for Knowledge Base Question Answering
• [12] CCKS2018 3rd Semantic Parsing for Multiple-relation Chinese Question Answering
• [13] CCKS2019 1st 混合语义相似度的中文知识图谱问答系统
• [14] CCKS2019 2nd Combining Neural Network Models with Rules for Chinese Knowledge Base Question Answering
• [15] CCKS2019 3rd Multi-Module System for Open Domain Chinese Question Answering over Knowledge Base
• [16] CCKS2019 4th DUTIR中文开放域知识库问答评测报告

五、相关博客

• 基于知识图谱的问答系统入门之—NLPCC2016KBQA数据集 【代码未公开】发布于 2019-01-02，编辑于 2019-05-29
• 问答QA（二）基于BERT的知识库问答实战，Github：bert-kbqa-NLPCC2017 2019年03月09日 00:12:35
• 基于BERT的KBQA探索-知乎，基于BERT的KBQA探索-CSDN，Github：KBQA-BERT 代码有点像上面的 发布于 2019-04-19，编辑于 2019-07-03
• NLPCC2016 KBQA 1st 方案
• CCKS2018 CKBQA 1st 方案
• 自由讨论 | KBQA从入门到放弃—入门篇
• KBQA从入门到放弃 - Part 2 | 每周话题精选 #09
• KBQA 知识库问答领域研究综述（未完待续。。）
• 基于知识库的问答：seq2seq模型实践
• KBQA 个人总结
• 揭开知识库问答KB-QA的面纱0·导读篇
• 知识图谱问答总结
• 肖仰华 | 基于知识图谱的问答系统
• 基于知识图谱的问答系统(KBQA)
• 各类QA问答系统的总结与技术实现（持续更新）
• 知识图谱入门 (九)知识问答
• KBQA: 基于开放域知识库上的QA系统 | 每周一起读