QA系统用于回答人们以自然语言形式提出的问题，其在互联网、通信及医疗等领域获得显著的成功。其中，IBM研发的Watson系统就在与人类的答题比赛中获胜并首次获得100万美金奖励；苹果的Siri系统成功运行于iPhone之中，改变人与iPhone的交流方式；还有很多其它的公司也成功研发文字或语音的QA系统，比如谷歌的Google Now、亚马逊的Alexa和微软的Cortana；另外，在医学上面如Health Care，QA系统也帮助医生与患者得到及时的交互。

QA系统依据其回答语料可以分为两类，一类是常见的纯文本形式，如网络文档、问答社区内容、搜索引擎结果、百科数据等。另一类则是知识图谱，通常以RDF三元组的形式结构化表示。由于结构化的特点，QA系统相比纯文本语料，往往可以提供更加精确和简练的结果。另一方面，近些年涌现出了大批十亿甚至更大规模的知识图谱，包括WolframAlpha, Google Knowledge Graph, Freebase等。这些知识图谱的出现保证基于其的问答系统的覆盖率。所以当前，基于知识图谱的开放领域QA系统是可行的。

一、系统架构

QA系统分为三层架构模型，分别为实体、语言和应用层，如下图所示。

其中最下层为实体层，其为上层模型提供最基础的计算单元，包括了语义社区搜索、语义消歧义和同现网络模块；中间层为语言层，作为连接实体层和应用层的桥梁，其包含了具有一定语义信息的短文本；最上层则为集成的QA系统，包括了问题模板和深度学习模块。

1、实体层模型研究

1.1 语义社区搜索

如上图所示，节点即代表单词在语义社区网络中的语义，边则为单词与单词之间的关系，以此模型即可找到一个单词所在的社区，以及单词之间的相似度，如下图所示pot和bowl为同一语义社区，有很高的相似度；pot和plate为不同的语义社区，其中两个有两个单词交集，为中等相似度；pot和tube为不同的语义社区，其中只有一个单词交集，为低等相似度；

1.2 语义消歧义

2、语言层模型研究

2.1 动词语义模板

根据动词与名词之间的相关性，提出了动词语义模板的理论，其中包括概念化的动词模板比如verb $cconcept，和固定化的动词模板比如verb $iobject。动词语义模板主要是用来对语言实体做概念化的处理，所以需要保证其既具有通用性，又具有特殊性的特征。基于信息论的最小描述距离理论，我们提出了满足上述两个特征的动词语义模板，即

3、应用层模型研究

如上图所示，QA系统从问题中通过语言实体识别、语言模板提取、预知索引建立并最终查找到问题的答案。其中，重点为怎么从问题中提取出正确的实体属性？问题模板很好解决了该问题，其可以将问题中的实体转化为其所对应的概念，如下图Honolulu其概念为City的意义。

那么，问题模板又是怎么从实体找到对应的属性呢？我们提出了一个基于概率图的方法，使得问题的答案跟预测的答案最接近，如下图所示。首先通过问题的实体识别可以得到实体，然后进行问题的概念化得到问题的问题模板，然后根据模板找到对应的属性，最后根据属性查找值。

二、研究结果

基于上述三层架构模型，训练了27126355个问题模板，覆盖了2782个问题意图群，成功研发了QA系统，如下图1所示。在CGF举办的一个基于知识图谱问答的竞赛中，基于实体的问答成功率高达59%，如下图2所示。在QALD的测试中也获得了很高的准确率，如下图3所示。

三、基于深度学习的QA研究

首先，为什么深度学习适合做实体属性查找呢？因为，深度学习对于序列性的问题有着天然的优势，而一般我们的问题都是序列性的。

1、CNN

如下为最简单的CNN网络，最下层即为问题的实体提取层，首先将连续的问题序列化为单个的实体。然后，对各个实体进行卷积运算。最后获取概率最大的Inbinding，由此得到实体属性值。同时，提出了能更好理解问题上下文的双向LSTM模型。

2、KB Based QA + Deep Learning

为了增强上述CNN网络的特性，我们提出了以下的模型。其模型原理与CNN类似，包含3个CNN网络，每个CNN网络独立进行属性的预测，并最后获得最大的均方根值。与单个CNN网络相比，其除了具有Answer Path属性外，还增加了Answer Context和Answer Type的属性。其中，Answer Context表示候选答案周围的信息，Answer Type则表示候选答案的类型。