趙 暢,李慧穎

(東南大學 計算機科學與工程學院，江蘇 南京 210000)

0 引言

近年來，知識圖譜(knowledge graph)作為一種新型的知識庫，成為計算機科學領(lǐng)域的熱點。知識圖譜通過資源描述框架(resource description framework，RDF)標記Web資源，只保留非結(jié)構(gòu)化文本中的結(jié)構(gòu)化信息，所有數(shù)據(jù)以三元組的形式存儲。目前國內(nèi)外已經(jīng)有一些較為成熟的知識圖譜，其中面向英文的有Freebase[1]、DBpedia[2]、YAGO[3]等，面向中文的有Zhishi.me[4]、CN-DBpedia[5]等。這些知識庫在工業(yè)界有很多應用，比如基于知識庫的搜索引擎系統(tǒng)，在指定的知識庫中搜索結(jié)果；面向知識庫的問答是知識庫結(jié)合自然語言處理技術(shù)，實現(xiàn)自動問答的過程。過程中機器能夠理解用戶提問背后的語義信息，通過查詢知識庫，返回精確答案。

知識庫中的信息是通過三元組的形式組織的，三元組形式為實體、關(guān)系和實體或字面量值。面向知識庫的問答任務，首先解決的是實體對齊的問題，即將問句中的實體指稱對應到知識庫中的實體，其次是關(guān)系對齊，將問句中的關(guān)系映射到知識庫的關(guān)系，最后根據(jù)實體和關(guān)系檢索知識庫得到精確的答案。

實體對齊即是實體鏈接，面向知識庫問答的實體鏈接，即通過將自然語言問句中的實體指稱映射到知識庫對應的實體，賦予指稱現(xiàn)實、明確的含義。實體鏈接需要解決自然語言問句中實體指稱的一詞多義和多詞一義的問題，幫助理解自然語言問句的具體含義。實體鏈接可以劃分為兩個子任務，分別是候選實體生成和候選實體消歧。候選實體生成是前提，同一指稱可以對應知識庫中若干的實體。候選實體消歧的目的是從候選實體集合中找到最符合語句上下文語境的一個候選實體作為目標實體。實體鏈接是連接自然語言和知識庫的重要途徑，也是理解自然語言問句的必要條件。圖1是解釋實體鏈接過程的一個例子，左邊的方框里是問句，實體指稱已用下劃線標記出來，問句上方是指稱的相似實體指稱，本文使用這些信息補充實體指稱的背景知識，中間是候選實體集合，包括一些在知識庫與實體指稱同名的實體，右邊是候選實體集合中的某一候選實體“New York City”對應在知識庫中的表示，包括相鄰近實體、實體類別和實體關(guān)系。實體鏈接就是根據(jù)這些信息，找到最符合問句語境的目標實體。

圖1 實體鏈接示例

不同于基于文檔的實體鏈接任務，知識庫問答處理的是簡短的自然語言問句，這些問句通常是由少數(shù)單詞組成的短文本形式，因此對面向知識庫問答的實體鏈接工作提出了新的挑戰(zhàn):

(1) 指稱上下文的缺失。語句僅包含少數(shù)單詞，不能提供充足的上下文輔助實體消歧；

(2) 絕大多數(shù)短文本只存在一個指稱，因此不能使用實體聯(lián)合消歧的方法；

(3) 結(jié)構(gòu)化知識庫中缺少實體的文本描述信息，難以表示知識庫中的實體。

由于本文實驗使用的是Freebase知識庫，其沒有Wikipedia[6]中關(guān)于實體的長短摘要和錨文本的內(nèi)容，并且Freebase中關(guān)于實體的描述也很簡短，不能全面描述該實體，很難借助知識庫本身為候選實體提供更多的文本信息。但是Freebase的實體具有豐富的類型和明確定義的模式[7]。本文針對目前面向知識庫問答的實體鏈接存在的挑戰(zhàn)，分別擴充指稱和候選實體的背景知識，以此彌補上下文不足的問題。本文通過語料訓練得到問句指稱的相似實體指稱，作為問句指稱的背景知識。根據(jù)知識庫的特點，分別抽取了候選實體的類別、關(guān)系和鄰近實體作為候選實體的背景知識，通過比較候選實體與指稱的語義相似性，達到實體消歧的目的。

本文的主要貢獻有:

(1) 通過Wikipedia語料訓練得到相似的實體指稱作為問句指稱的背景知識，解決自然語言問句中指稱上下文信息不足的問題。

(2) 根據(jù)目標知識庫的特點，抽取候選實體特征，包括實體類別、實體關(guān)系和鄰近實體，緩解了知識庫對候選實體缺少描述性文本信息的影響。

(3) 組合多種特征，并比較它們的結(jié)果。

本文的組織結(jié)構(gòu)如下: 第1節(jié)介紹了實體鏈接的相關(guān)工作；第2節(jié)介紹了實體鏈接方法，包括提出的四種特征，并分析它們的長處和不足，結(jié)合四種特征進行面向知識庫問答的實體鏈接；第3節(jié)為實驗結(jié)果分析；第4節(jié)是總結(jié)與展望。

1 相關(guān)工作

目前學術(shù)界已經(jīng)有不少學者研究短文本的實體鏈接技術(shù)，并取得了一定的成果。實體鏈接分為候選實體生成和候選實體消歧，因此可以從這兩方面來提升最后的結(jié)果。Wikipedia為生成候選實體提供了一些有用的特征，Guo等[8]通過從Wikipedia的實體頁面、重定向頁面和歧義實體頁面提取出實體的字面表示形式，構(gòu)造指稱到候選實體的映射詞典。另外也有專家利用搜索引擎生成候選實體集合。Tan等[9]人工標注從Wikipedia文章頁面搜索到的與目標語句相似的句子，直接將標注出的實體作為候選實體。在指稱精確匹配的基礎(chǔ)上，Varma等[10]加入了部分匹配，Lehmann等[11]加入了模糊匹配的方式，用于提高候選生成的召回率。

當然，早期的實體鏈接論文中，也有很多工作更關(guān)注候選實體消歧部分。Bunescu等[12]提出了一種根據(jù)指稱的上下文文本和候選實體的維基百科類別信息進行實體消歧的方法。本文認為直接計算指稱上下文與候選實體描述文本的相似性會因為描述文本較短、不完整或同義詞情況導致鏈接過程出現(xiàn)錯誤，所以本文把候選實體的類別信息也添加進來，與上下文信息一起參與消歧。Mihalcea和Csomai等[13]提出三種不同的排序方法包括TF-IDF、卡方相關(guān)性及關(guān)鍵詞。通過三種排序方法的組合對候選實體進行排序。Dredze等[14]把指稱看作查詢，把候選實體集合看作查詢結(jié)果，從而將實體鏈接任務轉(zhuǎn)換成為信息檢索問題，然后采用Learning to Rank方法將指稱鏈接到最有可能的候選實體。Han等[15]提出一種生成概率模型，利用異構(gòu)實體知識來消除候選實體的歧義。Barrena等[16]以新穎的方式從平行語料抽取指稱的兩種背景知識，以解決上下文不足和誤導的問題。Yang等[17]通過學習多元回歸樹來擬合指稱到實體的映射函數(shù)，并應用于推文實體鏈接的任務。Cornolti等[18]通過搭載網(wǎng)絡搜索引擎引入SMAPH-2的端到端系統(tǒng)，聯(lián)合命名實體識別和實體鏈接兩個任務，這樣可以減少噪聲影響，找到最適合語境的目標實體。Cao等[19]提出了TremenRank的圖模型，采用隨機游走的方法傳播置信度，這種情況適用于語句中有超過一個的實體。

2 實體鏈接方法

實體鏈接分為候選實體生成和候選實體消歧兩部分，前者是根據(jù)指稱找到知識庫中對應的所有實體作為候選實體，后者是利用指稱的上下文從候選實體集合中篩選出最符合語境的實體作為目標實體。

2.1 候選實體生成

對于已經(jīng)識別出的指稱，下一步是根據(jù)指稱，產(chǎn)生對應的候選實體集合。為保證實體鏈接的正確率，必須提高候選實體集合的覆蓋率，即是否包含目標實體，候選實體集合的質(zhì)量對最終的鏈接效果相當重要。候選實體集合過小，容易遺漏目標實體；候選實體集合過大，影響實體消歧的效率。

數(shù)據(jù)集基于Freebase知識庫，區(qū)別于Wikipedia和DBpedia的半結(jié)構(gòu)化數(shù)據(jù)。Freebase中的實體統(tǒng)一用唯一的機器碼表示，同時所有的數(shù)據(jù)以三元組的形式組織。因此，歧義詞詞典的構(gòu)建實質(zhì)是抽取知識庫中包含實體名稱屬性的三元組。這里實體的名稱屬性指的是包含實體名稱、別名、名稱縮寫等屬性，如“type.object.name”表示實體的名稱，“common.topic.alias”表示實體的別名。最后，根據(jù)指定的實體名稱屬性，從Freebase中抽取信息構(gòu)建歧義詞詞典。在候選實體生成過程中，為了縮小候選集大小，利用實體流行度進行初步篩選，得到一個大小合適的候選實體集合。

2.2 候選實體消歧

對于結(jié)構(gòu)化組織的知識庫，往往會存在實體描述信息不全或缺失的問題，因此，需要通過其他特征來表示知識庫中的實體。實體消歧的任務中，實體流行度是比較有力的一項特征，但是它表示的是實體與實體間的鏈接次數(shù)關(guān)系，僅從特定角度描述知識庫中的實體。于是，本文根據(jù)知識庫本身的特點，利用了知識庫中的實體類別、實體關(guān)系和鄰近實體以及通過語料得到的相似實體指稱，最終得到三種特征，即實體流行度、基于問句的相似度特征和基于相似實體指稱的特征。

2.2.1 實體流行度

流行度指的是實體在知識庫中出現(xiàn)的頻率，代表實體的熱度。本文利用實體流行度對候選實體集合進行篩選，同時也將流行度作為一個消歧的特征。

由于知識庫是結(jié)構(gòu)化的數(shù)據(jù)，每條知識以三元組形式存儲。假設(shè)一個實體流行度高指的是三元組中有更多的邊指向該實體，可以使用實體的入度作為實體流行度。但是后來發(fā)現(xiàn)很多實體入度值較小，最終選擇實體的出、入度之和作為該實體流行度，歸一化后結(jié)果如式(1)所示。

(1)

其中，Sp表示實體在知識庫中出現(xiàn)的概率，etarget表示目標實體，count是實體出入度之和，N表示知識庫實體的數(shù)量。這里使用拉普拉斯平滑，防止目標實體在知識庫中不存在而導致結(jié)果為0的情況。

值得注意的是，實體流行度是實體固有的數(shù)值屬性，只能作為客觀因素，不能直接與指稱上下文匹配。而實體消歧目標是從候選實體集合中找到最適合語境的實體，流行度最高的實體并不一定就是目標實體。

2.2.2 基于問句的相似度特征

實體消歧是從候選實體集合選擇最適合指稱上下文內(nèi)容的實體，也就是目標實體是與問句相似度最高的一個候選實體。比如下面兩句話，“Jordan played three seasons for coach Dean Smith…”和“Jordan is currently a full professor at the …”，對于同樣的指稱“Jordan”，由于擁有不同的上下文內(nèi)容，導致指向的是知識庫中不同的實體。前者表示退役的籃球運動員；后者表示機器學習方向的教授。因此，指稱上下文內(nèi)容可以作為實體消歧的衡量標準。本文的目標知識庫是Freebase，對于結(jié)構(gòu)化組織的知識庫，往往會存在實體描述信息不全或缺失的問題，因此，需要通過其他特征來表示知識庫中的實體。于是，本文根據(jù)知識庫本身的特點，使用實體類別和實體關(guān)系作為實體在知識庫中的表示，并且分別計算與指稱上下文內(nèi)容的相似度，選擇相似度最大的實體作為目標實體。

Freebase為每個實體提供了豐富的類別信息，圖2是實體“New York City”的類別結(jié)構(gòu)，這里只列舉了部分類別。知識庫中對實體類別分為兩個層次，第一層是相對泛化的概念，第二層則細化為具體類別。第一層包含第二層的概念，比如圖中的“film_screening_venue”作為“film”這個概念集合的一個元素。

圖2 實體類別結(jié)構(gòu)

當問句提及到一個實體指稱時，問句的內(nèi)容極有可能出現(xiàn)與實體類別相關(guān)的詞匯。因此本文將實體類別和指稱的上下文內(nèi)容間的相似度作為實體消歧的特征。實體類別的兩層概念是包含與被包含的關(guān)系，同時將兩層概念作為考慮的話，一方面會給實體類別的描述帶來不少噪聲；另一方面特征計算的復雜度較高。于是，本文僅保留第一層概念直接作為實體的類別。Freebase中的每個實體的類別相對豐富，不存在所有類型均相似于問句本身。因此首先分別計算實體每個類別和指稱上下文間的相似度，取最相似的類別作為實體的唯一類別tfinal，St是根據(jù)最終選擇的實體類別計算的得分，具體如式(2)、式(3)所示。

其中vecm指的是問句指稱上下文的向量，通過所有詞向量累加后的平均向量表示，tfinal表示最終選擇的實體類別，Tj是候選實體j對應的所有類別，vecti是類別ti的向量表示。實體類別由“.”分隔，這里vecti是類別每個子部分的GloVe詞向量累加后的平均向量表示。

面向知識庫的問答過程包括實體對齊、關(guān)系對齊和知識庫檢索。實體對齊對應實體鏈接，即將問句指稱鏈接到知識庫，找到指稱在知識庫中對應的目標實體；關(guān)系對齊是根據(jù)問句提及的關(guān)系，將其對應到知識庫中實體的關(guān)系；知識庫檢索是根據(jù)確定的目標實體和實體關(guān)系，按照條件限制檢索知識庫，返回答案。因此問句中可能會出現(xiàn)目標實體的關(guān)系名，相反實體關(guān)系可以輔助實體對齊，作為候選實體的另一特征。

一個實體在知識庫中可能有很多關(guān)系，如果想通過關(guān)系來區(qū)分目標實體和其他候選實體，需要選擇具有一定區(qū)分度的實體關(guān)系。符合指稱上下文的關(guān)系對消歧的結(jié)果有輔助作用，但是更多的關(guān)系對于這個過程沒有幫助，甚至起到負面作用。因此，本文通過比較候選實體的所有關(guān)系與指稱上下文的向量表示之間的相似度，最終保留相似度最高的實體關(guān)系，Sr是實體關(guān)系這一特征最終的得分，詳細的計算過程如式(4)、式(5)所示。

其中，rfinal表示最終選擇的實體關(guān)系，Rj是候選實體j對應的所有關(guān)系，vecri是關(guān)系ri的向量表示。本文實體關(guān)系選擇的是最細粒度的關(guān)系，關(guān)系由“.”分隔，這里vecri是關(guān)系每個子部分的GloVe詞向量累加后的平均向量表示。

本節(jié)從問句本身出發(fā)，在充分利用實體指稱的上下文內(nèi)容的同時，考慮了問句的構(gòu)成因素，即有一定概率會出現(xiàn)與實體指稱同一領(lǐng)域(類別)的詞匯，如包含“Michael Jordan”問句會出現(xiàn)“basketball”等。面向知識庫的問答，通常是根據(jù)問句中出現(xiàn)的實體和關(guān)系，到找出知識庫內(nèi)對應的答案，存在答案的問句也會存在實體在知識庫中的關(guān)系。因此，本文通過抽取候選實體的類別和關(guān)系，分別與問句進行相似度匹配，單獨作為消歧特征。

2.2.3 基于相似實體指稱的特征

短文本問句比較簡短，作為指稱描述信息的上下文內(nèi)容不夠充足，僅從候選實體與問句的相似度角度出發(fā)，容易誤導實體消歧的過程。因此，還需要擴充問句實體指稱的背景知識。本文借鑒面向文檔的實體鏈接中常用的聯(lián)合消歧的思想，通過其他語料得到當前指稱的相似實體指稱作為其背景知識。對于候選實體，則使用候選實體的鄰近實體作為它的相似實體。結(jié)構(gòu)化的知識庫是通過從非結(jié)構(gòu)化文本抽取實體和關(guān)系，組成知識庫的結(jié)構(gòu)化表示形式。因此實體的鄰近實體，對應的是在語料中與該實體共現(xiàn)的其他實體，即如果某一候選實體是目標實體，則對應的鄰近實體與問句中指稱的相似實體指稱相似性較大。通過比較候選實體集合中所有候選實體的鄰近實體與相似實體指稱的相似度，對候選實體排序，實現(xiàn)實體消歧。

相似實體指稱的例子如圖3所示，左邊加粗的“Michael Jorden”是問句的一個實體指稱，右邊的“NBA”、“Chicago Bulls”等表示的是“Michael Jorden”的相似實體指稱，它們表示與問句中的實體指稱語義相似的其他實體指稱。這里使用這些相似的實體指稱作為問句實體指稱的背景知識。

圖3 相似實體指稱樣例

相似實體指稱的生成語料是Wikipedia。首先標識出語料中的命名實體，將命名實體指稱用下劃線連接成整體，同時剔除語料中其他詞，使用Gensim Word2vec 工具訓練出實體指稱向量。根據(jù)問句中的指稱，通過計算其與語料中其他實體指稱向量間的相似度，選擇相似度最高的前S個實體指稱。候選實體的相似實體選擇的是知識庫中實體一跳的鄰近實體，同樣為了避免部分相似實體指稱的影響，這里先計算相似實體與相似實體指稱的相似度，保留相似度最大的相似實體，如式(6)～式(8)所示。

其中，vecsim是問句指稱相似的實體指稱向量累加和的平均向量表示，實體指稱的向量通過Wikipedia語料訓練得到。Ej是候選實體j的鄰近實體集合，efinal是最終選擇的與vecsim相似度最大的鄰近實體，Se指特征最終的得分。

2.2.4 特征組合

流行度是實體固有的屬性，對于同名的實體，流行度高的實體更大概率是目標實體，這樣一方面可以篩選候選實體集合；另一方面也可以直接作為候選實體排序的指標。考慮到結(jié)構(gòu)化知識庫的特點，實體詳細的文本描述信息較少，因此分別通過將實體類別、實體關(guān)系和鄰近實體作為候選實體在知識庫中的表示。實體類別和實體關(guān)系包含實體的語義信息，以此與指稱上下文進行語義匹配。另外，因為指稱的上下文有限，通過語料得到指稱的相似實體指稱可作為指稱的背景知識。這些相似實體指稱與目標實體的鄰近實體存在相關(guān)性，它們間的相似度信息也可以輔助消歧。

為綜合考慮上面提到的四個特征，對其進行加權(quán)求和，根據(jù)最終的結(jié)果對候選實體排序，具體公式如式(9)所示。

Stotal=αSp+β St+γSr+δSe

(9)

式(9)中的α,β,γ,δ分別是對應各項的權(quán)重，由實驗確定具體取值。加權(quán)求和是為了區(qū)別它們之間的差異，某一項表現(xiàn)結(jié)果更好，則考慮賦予更大的權(quán)重。

3 實驗

3.1 數(shù)據(jù)集

實驗數(shù)據(jù)集選擇的是問答數(shù)據(jù)集WebQuestions-SP(WebQSP)[20]，其包含WebQuestions數(shù)據(jù)集內(nèi)有答案問句語義解析的結(jié)果，省去了命名實體識別的工作，可以直接使用問句標注的指稱展開實體鏈接的研究。表1為數(shù)據(jù)集的數(shù)據(jù)統(tǒng)計情況。

表1 WebQSP數(shù)據(jù)統(tǒng)計

從表1中可以看出，數(shù)據(jù)集99.6%的問句都只存在一個指稱，很難使用聯(lián)合實體消歧的方法。表中的NIL是指語句的指稱無法鏈向知識庫，在知識庫內(nèi)不存在這樣的實體。由于WebQSP依賴Freebase知識庫，所以本文選擇Freebase作為實體鏈接的知識庫。Freebase在2016年停止了提供API服務和維護，這里使用的是2015年Freebase的Dump數(shù)據(jù)。

3.2 評估準則

實驗采用常見的指標準確率(Accuracy)、精確率(Precision)、召回率(Recall)和F1值(F1-Score)來評估實體鏈接的結(jié)果?？紤]到一條問句中會出現(xiàn)不止一個實體，因此這里采用的是宏平均F1值(MacroF1-Score)和微平均F1值(MicroF1-Score)作為實驗結(jié)果衡量方法。

記正確鏈接為T，系統(tǒng)預測鏈接為O，Tent和Oent分別為正確鏈接到實體的指稱個數(shù)，Tnil和Onil分別為正確鏈接到NIL的指稱個數(shù)，各指標定義如式(10)～式(15)所示。

其中，F(xiàn)1i是第i個問句的F1值，Precisiontotal和Recalltotal分別表示計算數(shù)據(jù)集中所有問句得到的精度和召回率，Macro_F1,Micro_F1表示宏平均F1值和微平均F1值。

3.3 實驗細節(jié)

3.3.1 候選實體生成

通過構(gòu)建指稱到實體的映射詞典，產(chǎn)生候選實體集。為保證詞典的覆蓋率，根據(jù)象征指稱的屬性，從Freebase知識庫中進行抽取，并且統(tǒng)計指稱與實體共現(xiàn)次數(shù)。知識庫中實體名稱屬性對應的賓語存在亂碼和特殊符號問題，如“Don鈥檛Play Around”和“J$002EF$002EK”，本文直接刪除包含亂碼的三元組。對于特殊符號的問題，經(jīng)過查閱資料，將編碼轉(zhuǎn)化為對應的符號，如上面字符串可以轉(zhuǎn)義為“J.F.K”，其中“.”表示“$002E”。同時考慮到知識庫中存在一些格式錯誤，例如，“c. b. colby”和“cb colby”，除了表示形式不同，本質(zhì)上它們都是一樣的。本文重新定義了字符匹配方式，考慮了誤拼情況。最終詞典的結(jié)構(gòu)是一條指稱對應多個實體，并且存儲了指稱與該實體共現(xiàn)的次數(shù)。

目前已經(jīng)創(chuàng)建的指稱到實體映射詞典的詞條數(shù)量達到20M。為了縮減搜索時間，通過Apache Lucene對詞典建立索引，索引關(guān)鍵詞是指稱，返回的是所有的候選實體。因為很多指稱對應的候選集較大，在消歧前，先通過實體流行度進行初步篩選，最終在確保候選實體數(shù)目不超過30個時，目標實體的覆蓋率達到88%。

3.3.2 候選實體消歧

實體類別和實體關(guān)系直接與數(shù)據(jù)集中問句指稱的上下文計算相似度，相似度高，表示候選實體更符合當前問句的語境。根據(jù)通常問句的構(gòu)成，這兩項特征對于區(qū)分出目標實體有一定作用。但是受到上下文的限制，以及實體類別和實體關(guān)系數(shù)目的選擇問題，最終選擇保留所有實體類別和實體關(guān)系，然后分別與指稱上下文計算相似度，最高相似度對應的類別和關(guān)系為該候選實體的類別和關(guān)系得分。這樣考慮主要有兩點因素： 首先是候選實體的數(shù)量和其對應的特征數(shù)量不大；其次是選擇部分特征或者選擇所有特征的均值，會造成信息損失，同時也會引入噪聲。實驗證明，這樣的做法對最終的結(jié)果有明顯的提升。

3.4 實驗結(jié)果及分析

下面根據(jù)上文提到的三類共計四種特征實現(xiàn)候選實體的消歧分別進行實驗，實驗結(jié)果如表2所示。其中，Sp、St和Sr分別表示實體流行度、實體類別與問句相似度、實體關(guān)系與問句相似度。對基于相似實體指稱的特征，本文分別試驗了基于詞向量和基于實體指稱向量的方法，用Se_word和Se_entity表示?；谠~向量方法是指用指稱中出現(xiàn)詞的向量累加平均來表示該指標的方法?；趯嶓w指稱向量方法見2.2.3小節(jié)。

表2 獨立特征的實驗結(jié)果

WebQSP數(shù)據(jù)集是由Google Search API根據(jù)搜索實體名稱得到的問題以及替換原問題中實體來構(gòu)造數(shù)據(jù)集，而出現(xiàn)在搜索日志內(nèi)的實體絕大部分都是相對熱門的。因此，從單個特征的角度看，實體流行度對于實體消歧效果最好。

實體類別是考慮到數(shù)據(jù)集的問句中會出現(xiàn)與實體類別有關(guān)的限制性詞，如“city”、“who”，這些詞限制了目標實體的類型。但是有些情況問句中出現(xiàn)的限制詞針對的是目標實體或問句的其他指稱，如“who plays ken barlow in coronation street?”，修飾詞“who”指的是前一個指稱，當對“coronation street”進行消歧時，上下文中不存在對于該指稱的類別限制，因此僅僅通過實體類別無法解決這類問題。

實體關(guān)系是從面向知識庫問答的全局角度反向考慮而提出的對于目標實體的另一限制條件，即目標實體需要包含問句出現(xiàn)的實體關(guān)系。但是，由于一些問句中實體關(guān)系表述不明確，存在關(guān)系不在使用的Glove詞向量中，實體消歧僅考慮實體關(guān)系仍然不夠全面。如“who was vp for lincoln?”，這個問題中實體關(guān)系不明確，對于實體消歧沒有幫助，并且非關(guān)系的詞對結(jié)果有干擾，最終容易忽略目標實體。

面向知識庫問答對應的答案是實體的鄰近實體，本文目前僅考慮知識庫中實體一跳對應鄰近實體的情況。相似實體指稱是問句指稱的相似實體，在語料中的表示就是與指稱共現(xiàn)次數(shù)多的實體。結(jié)構(gòu)化的知識庫中實體和實體關(guān)系都是從非結(jié)構(gòu)化文本中抽取而來的。因此，本文將指稱的相似實體指稱和候選實體的鄰近實體對應，通過這個指標輔助實體消歧。但由于訓練實體向量語料大小的問題，最終實體向量的詞典不能夠覆蓋所有實體，因此影響實驗的結(jié)果。

相似實體指稱是通過標注好實體的Wikipedia訓練得到。為了驗證實體向量的有效性，本文同時用基于詞向量和基于實體指稱向量的方法獲得相似實體指稱，結(jié)果如表2所示。實驗證明： 使用實體指稱向量方法效果更好。這是由于當實體指稱是短語時，根據(jù)詞向量找到的相似的詞組合成的短語不一定表示一個實體，在與候選實體的鄰近實體計算相似度時，會起到負面作用。

考慮到特征之間的聯(lián)系，下面實驗從特征的線性組合出發(fā)，分別考慮四種特征總體的效果以及單個特征對于整體結(jié)果的影響。表3中SAll指的是四個特征的線性組合的方法，下面內(nèi)容表示SAll分別除去一個特征和除去兩個特征后的實驗結(jié)果。實驗結(jié)果說明，組合所有特征的效果表現(xiàn)最好，實體流行度這一特征對結(jié)果相對影響最大。

表3 特征組合的實驗結(jié)果

由于實體流行度單獨作為特征的表現(xiàn)相對較好，因此包含流行度的三種組合方式結(jié)果比較穩(wěn)定，較Sp結(jié)果略有提升。對比表格四、五、六行的結(jié)果，表示通過比較擴充的相似實體指稱和候選實體的鄰近實體間的關(guān)系，與實體類別和實體關(guān)系相比，具有一定的作用。當除去實體流行度這一特征后，表現(xiàn)相對它們?nèi)邌为氉鳛樘卣骱蟮慕Y(jié)果有很大的上升。經(jīng)過對識別錯誤文件的分析，除了目標實體不在候選實體集合的情況外，三種特征之間出錯的問句交集較小，因此結(jié)果的顯著提升可以認為是特征之間的互補關(guān)系。在兩個特征的組合結(jié)果中實體流行度與其他三個特征的組合表現(xiàn)更好，其中與基于相似實體指稱特征的組合效果最好。

本文與Qu等[21]的工作進行了對比實驗，因為Qu的工作同時包含命名實體識別和實體鏈接。表3中分別列出了給定指稱后的實體鏈接結(jié)果Qu_EL和用該方法進行命名實體識別后再進行實體鏈接的結(jié)果Qu_NER+EL。Qu的實體鏈接結(jié)果依賴于構(gòu)建的歧義詞詞典，即生成的候選實體集合，但是本文只抽取知識庫中包含“type.object.name”屬性的三元組來構(gòu)建詞典，忽視了實體名稱的其他變種形式，如首字母縮寫、別名等。實驗結(jié)果表明： 本文提出的方法表現(xiàn)更好。

4 總結(jié)與展望

本文分別從實體鏈接的兩個子任務出發(fā)，詳細介紹了面向知識庫問答中實體鏈接的技術(shù)，重點在于實體消歧部分。由于結(jié)構(gòu)化知識庫對實體的文本描述信息較少，本文通過知識庫中抽取的實體類別、實體關(guān)系和鄰近實體來補充實體的上下文信息。同時由于知識庫問答中問句指稱上下文信息少，僅以此作為指稱的上下文容易造成信息缺失。因此本文借助Wikipedia語料獲取指稱在語料中的相似實體指稱，補充指稱的背景知識輔助實體消歧。除了單獨的特征外，最后考慮特征的組合對結(jié)果的影響。經(jīng)過實驗論證，上述提及的方法一定程度上提升了實體鏈接的結(jié)果。

未來可從兩個大方向考慮改進，首先是可以通過模糊匹配等方法提升候選實體集合的召回率；其次是實體消歧部分的改進，如利用目前流行的ELMo[22]和Bert[23]方法學習向量的表示、考慮多跳的鄰近實體、利用更大的語料訓練詞向量模型而得到更全面的向量表示等。