江偉豪，嚴(yán) 麗，屠要峰，周祥生，李忠良，

1(南京航空航天大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院/人工智能學(xué)院，南京 211106)

2(中興通訊股份有限公司，南京 210000)

1 引 言

RDF(1)https：//www.w3.org/TR/rdf-primer/(Resource Description Framework)資源描述框架，被廣泛應(yīng)用于表達(dá)互聯(lián)網(wǎng)中的資源以及資源之間的語義關(guān)系[1].RDF的基本結(jié)構(gòu)為主語、謂語、賓語所構(gòu)成的三元組，可以記作，描述了以主語和賓語所代表資源之間具有謂語所代表的關(guān)系.各應(yīng)用在存儲RDF數(shù)據(jù)時遵守了同一協(xié)議，所以在交換RDF數(shù)據(jù)的過程中不會發(fā)生語義丟失的問題.因此，RDF被廣泛應(yīng)用于數(shù)據(jù)可視化、查詢、交換、融合以及知識網(wǎng)絡(luò)的構(gòu)建中.

對于RDF數(shù)據(jù)的查詢，具有語義知識背景的專業(yè)人員可以通過構(gòu)建結(jié)構(gòu)化查詢語言SPARQL[2]來對RDF數(shù)據(jù)進(jìn)行查詢.雖然結(jié)構(gòu)化語言具有很強(qiáng)的表達(dá)能力，但由于該語言復(fù)雜的語法以及RDF數(shù)據(jù)概要的約束，使用SPARQL對RDF數(shù)據(jù)進(jìn)行查詢對于普通用戶而言需要很高的學(xué)習(xí)成本.而通過關(guān)鍵詞搜索[3]的形式對相關(guān)RDF資源進(jìn)行查詢的方式雖然操作簡單，但關(guān)鍵詞的表達(dá)能力有限，僅通過幾個關(guān)鍵詞難以明確表達(dá)用戶的查詢意圖.同樣，使用受限的自然語言[4]來表達(dá)用戶的查詢意圖，所提供的輸入模板無法滿足用戶查詢需求的多樣性.對于基于自然語言處理的RDF問答系統(tǒng)，其中需要彌補(bǔ)自然語言與結(jié)構(gòu)化查詢語言之間的差異，而在具體轉(zhuǎn)化過程中往往要解決由自然語言的語義多樣性所造成的歧義，有研究人員依賴于提供用戶交互操作[5]來解決其中的歧義問題，然而交互的次數(shù)不穩(wěn)定會影響用戶的查詢效率.所以，解決轉(zhuǎn)化過程中所產(chǎn)生的歧義問題成為了設(shè)計RDF問答系統(tǒng)的關(guān)鍵.

基于自然語言處理的RDF問答系統(tǒng)主要包含以下兩個處理階段：用戶意圖理解和查詢驗(yàn)證.用戶意圖理解的主要工作是彌補(bǔ)非結(jié)構(gòu)化的自然語言與結(jié)構(gòu)化的查詢語言之間的差異，在本文中的體現(xiàn)則是識別用戶自然語言輸入的查詢意圖，以及將查詢意圖轉(zhuǎn)化成相應(yīng)的SPARQL查詢語句的過程.而查詢驗(yàn)證階段則是根據(jù)構(gòu)造好的查詢語句匹配出與問句相關(guān)的答案并進(jìn)行驗(yàn)證的過程.其中，本文的工作更注重于用戶意圖理解的階段.由于用戶表達(dá)的歧義性以及自然語言的多樣性，在該過程中往往會存在歧義問題，從而導(dǎo)致所構(gòu)造的查詢語言有多種組合.在用戶意圖理解階段識別出與用戶查詢意圖最匹配以及最有可能執(zhí)行成功的top-k組合，相比窮舉驗(yàn)證的效率要高.

以下，將結(jié)合例子介紹本文的研究動機(jī).由于所提方法是針對英文語言的輸入，所以本章后續(xù)的所有例子當(dāng)中都以英文自然語言問句作為用戶輸入進(jìn)行討論.以自然語言問句：“What is the name of the film that directed by Steven Spiel-berg?”為例，該問句所對應(yīng)的SPARQL查詢語句組合如圖1所示.表1中展示了示例的RDF片段，其中RDF數(shù)據(jù)由三元組表示，以主語、謂語、賓語的形式組成，主語為實(shí)體資源，謂語代表關(guān)系資源，而賓語可以表示為資源也可以表示為字面量.從自然語言問句轉(zhuǎn)化為SPARQL查詢語句的過程中分為三個處理階段：意圖提取，資源映射，語句轉(zhuǎn)化.

圖1 SPARQL語句方案

表1 RDF片段示例

以例句當(dāng)中的關(guān)鍵詞所組成的用戶查詢意圖可表示為：與.如表2資源映射表所示，關(guān)鍵詞“Steven Spielberg”可映射為兩個不同的資源，分別為和，前者為導(dǎo)演，后者則為同名演員.由于用戶輸入歧義以及資源映射的多樣性所引起的問題，稱為映射歧義問題.而圖1則展示了以上關(guān)鍵詞所能構(gòu)成的查詢語句有4種可能組合，由于自然語言表達(dá)的多樣性所引起的歧義問題，稱為結(jié)構(gòu)歧義問題.

表2 資源映射表示例

對于映射歧義問題，關(guān)鍵詞“Steven Spielberg”所映射的資源和，前者的類型為，而后者的類型為.然而，當(dāng)已知所查詢數(shù)據(jù)集的資源與搭配的可能性要比與搭配的要更高的前提下，我們可以得出與相匹配所能得出正確答案的概率要高.而對于結(jié)構(gòu)歧義問題，比如是映射為<，，>還是<，，>.對于機(jī)器是難以分清以上兩種組合，但如果知道前者所出現(xiàn)的可能性要比后者出現(xiàn)的要高時，此時應(yīng)該選擇組合<，，>來構(gòu)造我們的查詢語句.以上所說的可能性則是文章后續(xù)所述的聯(lián)合概率的計算與比較問題.

文章基于N-gram模型的原理，利用所查詢數(shù)據(jù)當(dāng)中三元組所映射的關(guān)鍵詞組合來充當(dāng)語料庫建立語義概率模型.在用戶查詢意圖理解的過程中，通過語義概率模型計算用戶查詢意圖中關(guān)鍵詞組合的聯(lián)合概率，再通過比較相應(yīng)組合的聯(lián)合概率，消除其中的映射歧義.然后篩選出概率最高的top-k查詢語句，執(zhí)行查詢語句查找相應(yīng)的結(jié)果.通過基準(zhǔn)數(shù)據(jù)集與現(xiàn)存的方法進(jìn)行比較，本文所提出的方法在精確度和召回率方面表現(xiàn)優(yōu)異，特別是在處理隱式關(guān)系問題方面要優(yōu)于其他方法，而且本方法執(zhí)行的是最能表達(dá)用戶查詢意圖的top-k查詢語言，節(jié)省了無效查詢語句的運(yùn)行時間.

2 背景知識

2.1 RDF

RDF是用來描述互聯(lián)網(wǎng)上資源以及資源之間相關(guān)關(guān)系的數(shù)據(jù)模型.這個資源可以是互聯(lián)網(wǎng)中物理上的物體或者是概念的表述，比如一個人物、一個網(wǎng)站或者一個地址.而且資源一般使用IRI(國際資源標(biāo)識符，International Resource Identifier)作為唯一的標(biāo)識，例如表示物理學(xué)家阿爾伯特·愛因斯坦.RDF數(shù)據(jù)模型是以三元組為基本單位表示資源之間存在的相關(guān)關(guān)系，多個三元組所組成的數(shù)據(jù)集構(gòu)造出表達(dá)資源相關(guān)關(guān)系的RDF圖.在三元組當(dāng)中，subject也稱為主語是以上使用IRI作為唯一標(biāo)識的資源或者空白節(jié)點(diǎn)(Blank Node，具有隨機(jī)序列號作為唯一標(biāo)識，所表述的是復(fù)合的資源)，賓語object則可以為資源、空白節(jié)點(diǎn)或字面量(可以是數(shù)字、字符串或者日期等不同的數(shù)據(jù)類型的值，數(shù)據(jù)類型可以用描述單位的IRI進(jìn)行標(biāo)識)，而謂語predicate則是表述主語與賓語之間相關(guān)關(guān)系的IRI.例如，三元組表示“Albert Einstein′s doctoral advisor is Alfred Kleiner.”所表達(dá)的意思，其中db為“http：//dbpedia.org/ontology/”的前綴縮寫.對于RDF模型，我們給出以下簡單定義：

定義1.設(shè)G為表示RDF數(shù)據(jù)所代表的RDF圖，則該RDF圖是由三元組所構(gòu)成的，三元組表示為∈G，s，p，o分別表示主語、謂語和賓語.其中s∈(I∪B)，I表示所有以IRI為標(biāo)識的資源的集合，而B則是所有空白節(jié)點(diǎn)的集合，且I∩B=?.而p∈I，只有能夠描述資源之間關(guān)系的IRI才能充當(dāng)謂語.最后o∈(I∪B∪L)，L則是所有字面量的集合.根據(jù)以上描述，可以得出RDF圖G=(I∪B)×I×(I∪B∪L).

2.2 用戶查詢意圖

由于非結(jié)構(gòu)化的自然語言與結(jié)構(gòu)化SPARQL查詢語言之間存在差異，如何從自然語言問句當(dāng)中識別出用戶的查詢意圖并將其翻譯為SPARQL查詢語言是構(gòu)建RDF問答系統(tǒng)的關(guān)鍵.通過借助斯坦福自然語言分析工具(Stanford Parser(2)https：//nlp.stanford.edu/software/lex-parser.shtml)對自然語言進(jìn)行解析，解析后可獲得包含自然語言問句語法特征的類型依賴關(guān)系樹(Typed Dependencies Tree)[1].如圖2所示，為例句“What is the name of the film that directed by Steven Spielberg?”所對應(yīng)的類型依賴關(guān)系樹.每一個單詞代表一個節(jié)點(diǎn)，節(jié)點(diǎn)中使用詞性標(biāo)注(Part of Speech tagging，POS)[7]對該單詞的詞性就行標(biāo)識，節(jié)點(diǎn)之間存在的關(guān)系(邊)則為類型依賴關(guān)系(Typed Dependencies)，標(biāo)識兩個單詞在句子中的語法依賴關(guān)系.本方法將從以上類型依賴關(guān)系樹當(dāng)中根據(jù)語法規(guī)則抽取描述用戶查詢意圖的關(guān)鍵詞組合，我們把每個查詢意圖組合定義為語義關(guān)系來表示，以下定義2中為語義關(guān)系的描述.通過識別所有可能描述同一實(shí)體的詞性標(biāo)注進(jìn)行實(shí)體關(guān)鍵詞的抽取作為參數(shù)保存到語義關(guān)系中，通過描述關(guān)系的詞性標(biāo)注進(jìn)行關(guān)系關(guān)鍵詞的抽取作為關(guān)系保存到語義關(guān)系中.并且利用類型依賴關(guān)系對描述實(shí)體以及關(guān)系之間的關(guān)鍵詞集合進(jìn)行連接，解決句法倒裝和指代消解(Coreference Resolution)等問題，最終組成相應(yīng)的語義關(guān)系集合.由于用戶意圖抽取的研究不是本文所提出的貢獻(xiàn)，而且對該項(xiàng)工作的研究和定義的規(guī)則也有很多，詳情可以參考[8].從例句中抽取的表達(dá)用戶查詢意圖的語義關(guān)系為，.

圖2 類型依賴關(guān)系樹示例

定義2.語義關(guān)系由描述兩個實(shí)體的關(guān)鍵詞集合arg1與arg2構(gòu)成，這兩個實(shí)體之間由描述關(guān)系的關(guān)鍵詞集合rel進(jìn)行聯(lián)系.

2.3 N-gram模型

N-gram模型是一種語言模型(Language Model，LM)，該語言模型是一個基于概率的判別模型[9].該模型描述的是，在一個自然語言句子當(dāng)中，第i個單詞出現(xiàn)的概率只與前i-1個單詞相關(guān)，而與其他的單詞無關(guān)，其中組成整個句子的概率則等于每個詞出現(xiàn)的概率的乘積，即：

P(w1，w2，…，wm)=P(w1)*P(w2|w1)…P(wm|w1，w2，…，wm-1)

基于馬爾科夫鏈的假設(shè)，當(dāng)前第i個單詞僅與其前n個詞相關(guān)，則以上概率計算可以簡化為：

其中每一項(xiàng)的條件概率將使用詞語組合出現(xiàn)的頻數(shù)C根據(jù)極大似然估計法(Maximum Likelihood Estimation，MLE)來計算：

在現(xiàn)實(shí)應(yīng)用中N的值一般取2和3，其對應(yīng)的是BiGram和TriGram模型.N-gram一般應(yīng)用于詞性標(biāo)注、詞匯分類、機(jī)器翻譯以及語音識別等工作當(dāng)中.

3 處理流程

本文所提出的基于自然語言處理的RDF問答系統(tǒng)的處理流程如圖3所示，主要包括以下流程：1)利用斯坦福自然語言分析工具解析自然語言獲取相應(yīng)的類型依賴關(guān)系樹；2)從類型依賴關(guān)系樹當(dāng)中提取與用戶查詢意圖相關(guān)的語義關(guān)系；3)利用所建立的語義概率模型對語義關(guān)系進(jìn)行消歧與組合，得到聯(lián)合概率top-k的語義關(guān)系組合；4)基于top-k的語義關(guān)系組合構(gòu)建相應(yīng)的SPARQL查詢語句，在SPARQL端口上進(jìn)行查詢.由于本文的貢獻(xiàn)在于語義概率模型的建立以及如何利用語義概率模型進(jìn)行消歧，其他流程均使用較為成熟的方法來實(shí)現(xiàn)，因此以下將按照語義概率模型的建立以及查詢語言的消歧過程進(jìn)行討論.

圖3 處理流程圖

3.1 語義概率模型的建立

由于所建立的語義概率模型需要反映所查詢數(shù)據(jù)的特征，而本文所查詢的數(shù)據(jù)集來源于DBpedia(2015)，所以我們使用該數(shù)據(jù)集所映射的關(guān)鍵詞集合來建立語義概率模型.對于數(shù)據(jù)源當(dāng)中的每一個實(shí)體資源，首先需要知道實(shí)體與描述該實(shí)體的關(guān)鍵字之間的對應(yīng)關(guān)系，形如表3中的關(guān)鍵詞與實(shí)體資源的映射詞典DE.DBpedia的實(shí)體資源映射表一般建立的方法是以Wikipedia中的鏈接為錨點(diǎn)鏈接(Anchor Link)[10]，從該鏈接中的文章抽取關(guān)鍵詞建立相應(yīng)的映射關(guān)系，如CrossWikis[11]所實(shí)現(xiàn)的實(shí)體映射詞典.而本方法則是直接從DBpedia-lookup(3)http：//lookup.dbpedia.org/中的關(guān)鍵詞與實(shí)體資源的映射索引中抽取映射關(guān)系實(shí)現(xiàn)我們的映射詞典.

表3 關(guān)鍵詞實(shí)體資源映射詞典

除了關(guān)鍵詞實(shí)體映射詞典外，仍需要關(guān)鍵詞與關(guān)系之間的映射詞典DR，如表4所示，而關(guān)系則相當(dāng)于連接兩個實(shí)體的關(guān)系路徑，如之前表達(dá)“directed by”的關(guān)系.而關(guān)系與關(guān)鍵詞的映射存在關(guān)系連接的問題，如關(guān)系則需要表示為的連接.而關(guān)系映射仍然不是本文研究的重點(diǎn)，我們將使用Patty[12]中依靠依存關(guān)系基于規(guī)則去構(gòu)建關(guān)鍵詞與關(guān)系之間的映射詞典.

表4 關(guān)鍵詞關(guān)系映射詞典

具備上述的關(guān)鍵詞實(shí)體資源映射詞典DE和關(guān)鍵詞關(guān)系映射詞典DR，對于數(shù)據(jù)集當(dāng)中的三元組，從DE中可以獲取描述subject與object所代表實(shí)體的關(guān)鍵詞集合DE(subject)→K(s)=(a1，a2，…，ai)和DE(object)→K(o)=(b1，b2，…，bj)，ai、bj分別對應(yīng)描述實(shí)體subject與object的關(guān)鍵詞.其中，當(dāng)object為字面量的情況下，以該字面量的類型來充當(dāng)關(guān)鍵詞(如int整型，則以val_int充當(dāng)相應(yīng)的關(guān)鍵詞).而從DR中可以獲取描述predicate所代表關(guān)系的關(guān)鍵詞集合DR(predicate)→K(p)=(c1，c2，…，ck)，ck為描述關(guān)系predicate的關(guān)鍵詞.據(jù)此得到描述整個三元組的關(guān)鍵詞組合(K(s)，K(p)，K(o))，根據(jù)該組合建立語義概率模型有如下定義：

定義3.描述三元組的關(guān)鍵詞組合為(K(s)，K(p)，K(o))=((a1，a2，…，ai)，(c1，c2，…，ck)，(b1，b2，…，bj))，而為了區(qū)分該關(guān)鍵詞所代表的資源是充當(dāng)主語還是賓語，將以上關(guān)鍵詞組合擴(kuò)展為(，(a1，a2，…，ai)，(c1，c2，…，ck)，(b1，b2，…，bj)，).根據(jù)N-gram模型中當(dāng)N=2時的BiGram定義，組合(，ai，ck，bj，)所出現(xiàn)的概率為：

P(ai，ck，bj)=P(ai|)P(ck|ai)P(bj|ck)P(|bj)

根據(jù)貝葉斯公式，需要記錄(×K(s))，(K(s)×K(p))，(K(p)×K(o))，(K(o)×)的詞語排列(也稱為片段)出現(xiàn)次數(shù)，假設(shè)各關(guān)鍵詞集合中不存在重復(fù)的關(guān)鍵詞，則每個三元組構(gòu)建出的模型空間復(fù)雜度為O((ijk)2).

定義 4.對于三元組，當(dāng)主語subject和賓語object都有其對應(yīng)的類型T(s)與T(o)，則從DE中獲取到描述兩個類型的關(guān)鍵詞集合分別為DE(T(s))→(d1，d2，…，dp)與DE(T(o))→(e1，e2，…，eq)，同樣將以上關(guān)鍵詞組合進(jìn)行擴(kuò)展為(，(d1，d2，…，dp)，(c1，c2，…，ck)，(e1，e2，…，eq)，)，根據(jù)BiGram的定義，組合(，dp，ck，eq，)所出現(xiàn)的概率為：

P(dp，ck，eq)=P(dp|)P(ck|dp)P(eq|ck)P(|eq)

根據(jù)貝葉斯公式，需要記錄(×K(T(s)))，(K(T(s))×K(T(p)))，(K(T(p))×K(T(o)))，(K(T(o))×)的片段出現(xiàn)次數(shù)，假設(shè)各關(guān)鍵詞集合中不存在重復(fù)的關(guān)鍵詞，則每個類型三元組構(gòu)建出的空間復(fù)雜度為O((pqk)2).

根據(jù)以上定義建立語義概率模型，總的空間復(fù)雜度為O((ijk)2+(pqk)2).該語義概率模型不僅可以在用戶意圖理解階段進(jìn)行消歧以優(yōu)化處理過程.基于該語義概率模型還可以實(shí)現(xiàn)輸入提示機(jī)制，在用戶輸入自然語言問句的時候顯示與前一個詞最相關(guān)的top-k關(guān)鍵詞以協(xié)助用戶進(jìn)行輸入描述問題.

3.2 基于語義概率模型進(jìn)行消歧

問答系統(tǒng)需要將自然語言問句中用戶的查詢意圖翻譯成相應(yīng)的SPARQL查詢語句進(jìn)行查詢，其中存在由語義多樣性所造成的資源映射歧義以及結(jié)構(gòu)歧義的問題.本小節(jié)將介紹利用上述所建立的語義概率模型在用戶查詢意圖翻譯為SPARQL語句的階段解決以上歧義問題.

對于表示用戶查詢意圖的語義關(guān)系，各元素代表描述相應(yīng)實(shí)體以及關(guān)系的關(guān)鍵詞集合，其目的是匹配數(shù)據(jù)源當(dāng)中符合(，，)所映射資源的三元組.但由于用戶的語言習(xí)慣或者語法倒裝的存在，語義關(guān)系所描述的三元組在數(shù)據(jù)源當(dāng)中可能以(，，)的形式存在，即存在結(jié)構(gòu)歧義.在傳統(tǒng)的處理方法當(dāng)中，可以通過枚舉所有的可能組合形式進(jìn)行查詢驗(yàn)證，但是當(dāng)所查詢語義關(guān)系的數(shù)量增多時，組合的數(shù)量也會呈指數(shù)增長，此時使用窮舉的方式進(jìn)行驗(yàn)證將消耗大量的查詢時間，特別是數(shù)據(jù)量較大的情況下，用戶查詢的效率將受到嚴(yán)重影響.而我們的解決方法則是利用語義概率模型計算并比較不同組合的聯(lián)合概率.設(shè)δ(R)為代表語義關(guān)系R=的所有組合的集合，計算δ(R)中每個組合的聯(lián)合概率，δ1=(arg2，rel，arg1)，δ1∈δ(R)的聯(lián)合概率為P(arg2，rel，arg1)(相關(guān)計算請參照上述聯(lián)合概率的介紹)，描述順序(，arg2，rel，arg1，)所代表的三元組存在于數(shù)據(jù)源當(dāng)中的概率，其中和為三元組首尾標(biāo)志.多個語義關(guān)系相連接則分別計算各語義關(guān)系，最后將對應(yīng)語義關(guān)系概率相乘則得到聯(lián)合概率，然后根據(jù)概率排序并選取最優(yōu)的top-k組合轉(zhuǎn)化為相應(yīng)的查詢語句進(jìn)行查詢驗(yàn)證，通過這種方式可以解決結(jié)構(gòu)歧義問題，從而排除較低可能性的查詢組合.

對于包含疑問詞的語義關(guān)系，如(“What”，“is the name of”，“film”)，只需以變量代替疑問詞的位置，則得到的語義關(guān)系為.而對于帶變量的語義關(guān)系的聯(lián)合概率的計算，其中P(rel|?x)的計算需要在語義概率模型中查找以rel為后綴片段的數(shù)量，然后加入到條件概率的計算當(dāng)中，而對于語義關(guān)系，則計算P(?x|rel)時需要在語義概率模型中查找以rel為前綴片段的數(shù)量，其他部分的條件概率計算與上述過程中的一致，在此不再贅述.

由于用戶的語義使用習(xí)慣不同以及關(guān)鍵詞與資源的一對多關(guān)系會存在資源映射歧義的問題.當(dāng)語義關(guān)系滿足以下假設(shè)時，將擴(kuò)展候選關(guān)鍵詞的成員：

假設(shè)：prefix和suffix屬于語義關(guān)系中的兩個相鄰成員，當(dāng)滿足：

1)當(dāng)C(prefix)≠0且C(prefix_suffix)=0時，查找滿足C(prefix_*)≠0的關(guān)鍵詞集合σ1(wi)，計算σ1(wi)中關(guān)鍵詞與suffix的語義相似度θ(wi，suffix)，當(dāng)相似度大于所設(shè)定閾值γ，即θ(wi，suffix)>γ時，加入wi到suffix的候選集合當(dāng)中參與聯(lián)合概率的計算.

2)當(dāng)C(suffix)≠0且C(prefix_suffix)=0時，查找滿足C(*_suffix)≠0的關(guān)鍵詞集合σ2(wj)，計算σ2(wj)中關(guān)鍵詞與suffix的語義相似度θ(wj，suffix)，當(dāng)相似度大于所設(shè)定閾值γ，即θ(wj，suffix)>γ時，加入wj到suffix的候選集合當(dāng)中參與聯(lián)合概率的計算.

例如在該語義關(guān)系所計算的語義關(guān)系中，rel在語義概率模型中是可以查找到的，即C(rel)≠0，由于用戶的使用習(xí)慣或者語義的多樣性導(dǎo)致用戶所輸入的詞語arg1和arg2無法在語義概率模型中找到，表現(xiàn)為C(prefix_rel)=0，C(rel_suffix)=0.此時我們從語義概率模型中找出滿足C(*_rel)≠0的關(guān)鍵詞集合σ1(wi)，計算其中關(guān)鍵詞與rel的語義相似度θ(wi，rel)，當(dāng)該值大于我們所設(shè)定的閾值γ時，表示該關(guān)鍵詞wi與原關(guān)鍵詞arg1是有語義相似性的，所以將wi加入到arg1的候選集合c(arg1)當(dāng)中，參與聯(lián)合概率的計算.同樣，滿足C(rel_*)≠0的關(guān)鍵詞σ2(wj)，當(dāng)其中的關(guān)鍵詞滿足θ(wj，rel)>γ時，也將wj加入到arg2的候選集合中，所以最初的語義關(guān)系的聯(lián)合概率可使用候選集合中的關(guān)鍵詞來近似計算：

P(arg1，rel，arg2)≈P(wi，rel，wj)wi∈c(arg1)&wj∈c(arg2)

在應(yīng)用中，計算語義相關(guān)性的工具有很多，比如WordNet(4)https：//wordnet.princeton.edu/.而在實(shí)現(xiàn)中我們使用了Word2Vec來計算關(guān)鍵詞的語義相關(guān)性，Word2Vec可以指定訓(xùn)練語料庫去訓(xùn)練隱藏層的模型，在應(yīng)用過程中可以使用反映所查詢數(shù)據(jù)集數(shù)據(jù)特征的語料庫用作訓(xùn)練數(shù)據(jù)集.而閾值γ的選取反映了所加入候選詞與原關(guān)鍵詞的語義相似程度，在實(shí)現(xiàn)中將γ設(shè)置為0.5，也可通過訓(xùn)練的形式尋找最佳的γ值.

對于語義關(guān)系中arg1和arg2可以映射為實(shí)體或者標(biāo)簽.當(dāng)映射為標(biāo)簽的情況下，如arg2映射為標(biāo)簽，則原語義關(guān)系需擴(kuò)展為，.而當(dāng)arg2代表非資源型屬性時，即arg2代表一個字面量，則以該字面量的對應(yīng)類型val_type來替代arg2的位置去計算該語義關(guān)系的聯(lián)合概率.

算法1.篩選top-k聯(lián)合概率最高的語義關(guān)系

輸入：語義關(guān)系組合R

輸出：top-k 語義關(guān)系組合

1.M ← ?

2.δ(R)←find_All_Combinations(R)

3.for r in δ(R)：

4. p=1.0

5. for in r：

6. c(arg1)← w from C(arg1_rel)=0 &

C(w_rel)≠ 0 & θ(w，arg1)> γ

7. c(rel)← w from C(arg1_rel)=0

& C(arg1_w)≠ 0 & θ(w，rel)> γ

8. c(arg2)← w from C(rel_arg2)=0 &

C(rel_w)≠ 0 & θ(w，arg2)> γ

9. c(rel)← w from C(rel_arg2)=0 &

C(w_arg2)≠ 0 & θ(w，rel)> γ

10. for wiin c(arg1)：

11. for wjin c(rel)：

12. for wkin c(arg2)：

13. p=p * P(wi，wj，wk)

14. M ←((wi，wj，wk)，p)

15.sortwithP(M)

16.return top-k semantic relation in M

由于自然語言表示的多樣性，在自然語言表述當(dāng)中存在顯示關(guān)系和隱式關(guān)系的表達(dá)，例如，“Which electronics companies were founded in Beijing?”為隱式關(guān)系表達(dá)，而其對應(yīng)的顯示關(guān)系表達(dá)為“Which company′s industry is electronics were founded in Beijing?”.顯式關(guān)系所抽取的用戶查詢意圖為，< companies，founded in，Beijing>，而隱式關(guān)系所抽取的用戶查詢意圖則為.對于實(shí)體中帶有修飾詞的語義關(guān)系，需要考慮其中是否包含隱式的語義關(guān)系，所以將其擴(kuò)展為，，并計算其聯(lián)合概率，加入到top-k可能組合的排序中.需要說明的是，如果語義關(guān)系當(dāng)中包含描述類型的關(guān)鍵詞，如當(dāng)中”companies”屬于類型，則需要在計算聯(lián)合概率時將其擴(kuò)展為，.

4 實(shí) 驗(yàn)

本文在DBpedia上的基準(zhǔn)數(shù)據(jù)集中驗(yàn)證所提出的方法.所使用的自然語言問題來自QALD-6.QALD(5)http：//qald.aksw.org/是針對關(guān)聯(lián)數(shù)據(jù)問題回答的一系列評估活動.與QALD-6當(dāng)中的CANaLI[13]，UTQA[14]，KWGAnswer[15]，NbFramework[16]，SEMGraphQA.進(jìn)行對比.文章所提方法是使用Java語言實(shí)現(xiàn)的，所進(jìn)行的實(shí)驗(yàn)運(yùn)行于搭載Intel Core CPU 3.80GB Hz，32 GB RAM 的Windows 10平臺當(dāng)中.

4.1 實(shí)驗(yàn)數(shù)據(jù)集

DBpedia是一個從維基百科(WikiPedia)中提取結(jié)構(gòu)化信息，并且將數(shù)據(jù)存儲為RDF形式發(fā)布到互聯(lián)網(wǎng)上的組織.本次實(shí)驗(yàn)中所使用的數(shù)據(jù)集為2015年發(fā)布的DBpedia數(shù)據(jù)集(6)http：//downloads.dbpedia.org/2015-10/core-i18n/en/，其中包含了約5百萬個實(shí)體，約11億個三元組，所包含RDF數(shù)據(jù)集的容量約為8.9GB.

文章中所使用的計算詞語之間的語義相關(guān)性的工具為Word2Vec_Java(7)https：//github.com/NLPchina/Word2VEC_java，是基于文獻(xiàn)[18]中所介紹的Word2Vec模型建立的Java應(yīng)用工具.Word2Vec是一個用于生產(chǎn)詞向量的相關(guān)模型，該模型為淺而雙層的神經(jīng)網(wǎng)絡(luò).我們所用的訓(xùn)練語料集為Wikipedia+Gigaword 5(6B)(8)https：//github.com/3Top/word2vec-api，維度為300，詞典大小為400000.

4.2 實(shí)驗(yàn)驗(yàn)證

本次實(shí)驗(yàn)將驗(yàn)證QALD-6中的多語言回答問題(Multilingual question answering over DBpedia)的100個測試問題.由于我們的方法是處理英語語言方面的自然語言問題，所以在對比的時候也是使用英語語言的自然語言問句.對于中文的自然語言處理方法，可根據(jù)目標(biāo)領(lǐng)域(如文獻(xiàn)[19]中面向電商領(lǐng)域的問答)選取語料訓(xùn)練集建立語義概率模型，使用中文自然語言解析器(如Stanford Parser的中文解析模塊)對語句進(jìn)行解析，再根據(jù)中文語法對解析結(jié)果進(jìn)行查詢意圖的提取，利用所建立的語義概率模型或者自定義消歧方法(如文獻(xiàn)[20]中的滑動語義消歧方法)進(jìn)行消歧后轉(zhuǎn)化為相應(yīng)的查詢語句即可查詢相關(guān)內(nèi)容.在實(shí)驗(yàn)當(dāng)中，我們將與上述所提方法在以下指標(biāo)中作對比，分別為準(zhǔn)確率(Accuracy，A)，所解決的問題占問題總量的比例；精確度(Precision，P)，所查出的正確資源占結(jié)果總量的比例；召回率(Recall，R)，所查出的正確資源占正確問題總量的比例；F-1(F1-Measure)=2×P×R/(P+R)，為精確度與召回率的調(diào)和平均值.表5中展示了我們所提方法(簡稱為NGQA)與各方法在執(zhí)行測試數(shù)據(jù)后測量的以上指標(biāo)的數(shù)值.

表5 驗(yàn)證QALD-6的測試問題

從實(shí)驗(yàn)結(jié)果中得知，本文所提出的方法在F-1評價中排名與NbFramewrk并列第二.我們的方法在一百個問題當(dāng)中能夠解決其中的58個問題，精確度為0.85，召回率為0.88，其中召回率只比CaNaLI要低，但是比其他的方法要高.其中需要注意的是，CaNaLI需要用戶輸入受限的自然語言問句，即用戶需要以準(zhǔn)確的資源名稱(IRI表示)去表達(dá)問句當(dāng)中的資源以及關(guān)系.換言之，CaNaLI解決受限自然語言V在用戶層面，以用戶自身的認(rèn)知去進(jìn)行消歧的，而我們的問答，方法卻沒有這種限制.

在實(shí)驗(yàn)過程當(dāng)中，本文的方法在解決單三元組問題(如問題：“Who was the doctoral supervisor of Albert Einstein?”查詢時只包含單個三元組：)的時候正確率、精準(zhǔn)度和召回率都很高.我們將無法解決的問題進(jìn)行了分類分析，總結(jié)出了以下原因，如表6中所示.在無法解決的問題中，其中占比最高的是錯誤的資源映射問題，用戶所輸入的自然語言問句當(dāng)中所包含的關(guān)鍵詞映射無法映射到正確的資源當(dāng)中，從而導(dǎo)致問題的查詢失敗，如問題“What is the full name of Prince Charles?”當(dāng)中關(guān)鍵詞“Prince Charles”無法映射到正確的資源.其次則是語義概率模型當(dāng)中缺少必要的片段，如問題“Who wrote Harry Potter?”由于建模數(shù)據(jù)集的原因，與“Harry Potter”相關(guān)的資源沒有出現(xiàn)在數(shù)據(jù)集當(dāng)中，所以所建立的語義概率模型中不存在與“Harry Potter”相關(guān)的片段，最終導(dǎo)致查詢失敗.而本方法在復(fù)雜長查詢語句方面的表現(xiàn)欠佳，如問題“In which city was the president of Montenegro born?”，問題所映射出的SPARQL查詢語句為復(fù)雜長查詢語句，由于在提取語義關(guān)系的過程中已經(jīng)出現(xiàn)錯誤，所以導(dǎo)致了查詢失敗，其他同類問題中有使用聯(lián)合查詢的例子，由于我們所使用的語義關(guān)系抽取方法中在處理聯(lián)合查詢的問題中欠佳，所以聯(lián)合查詢問題的準(zhǔn)確率較低.最后有少量問題是出現(xiàn)語義相關(guān)性計算錯誤的，問題“Who played Gus Fring in Breaking Bad?”當(dāng)中詞語play與portrayer顯示不相關(guān)，所以無法獲取對應(yīng)的資源，從而導(dǎo)致查詢錯誤，此類問題由Word2Vec的訓(xùn)練數(shù)據(jù)導(dǎo)致.剩下的問題則是數(shù)據(jù)集當(dāng)中缺少正確答案，所以無法進(jìn)行比對.

表6 錯誤問題分析

如表7所示各方法在處理數(shù)據(jù)集中15道隱式關(guān)系問題(如：“What is the name of the school where Obama′s wife studied?”)的正確率.由于本文所提出的方法主動驗(yàn)證修飾詞與實(shí)體詞之間是否包含隱式關(guān)系，而且結(jié)合類型的聯(lián)合概率計算擴(kuò)展后隱式關(guān)系語句的概率，從而導(dǎo)致本文的方法在處理隱式關(guān)系問題方面要優(yōu)于其他方法.

表7 針對隱式關(guān)系問題的準(zhǔn)確率比較

如圖4所示，從正確通過的58個問題當(dāng)中隨機(jī)選取10個問題進(jìn)行驗(yàn)證時間進(jìn)行測試，并與數(shù)據(jù)集當(dāng)中基準(zhǔn)的驗(yàn)證時間做比較，驗(yàn)證時間包含從查詢意圖轉(zhuǎn)化為查詢語句和查詢語句查詢出答案的過程.其中所選問題的驗(yàn)證時間均低于基準(zhǔn)值，則是由于我們所提出的方法是通過計算查詢意圖可能組合的聯(lián)合概率得出top-k個最優(yōu)的查詢組合進(jìn)行查詢，其中排除了幾乎不可能正確的查詢語句，從而縮短了驗(yàn)證時間.

圖4 驗(yàn)證時間比較

5 結(jié) 論

本文介紹了應(yīng)用在RDF問答系統(tǒng)中的一種基于N-gram的消歧方法.在用戶意圖理解階段，利用建立好的語義概率模型計算用戶意圖可能組合的聯(lián)合概率，通過前綴/后綴片段對組合進(jìn)行擴(kuò)充，解決了映射歧義的問題，通過比較得出top-k最優(yōu)組合，排除可能性較小的組合，不僅解決了結(jié)構(gòu)歧義的問題，而且還提高了查詢驗(yàn)證的效率.實(shí)驗(yàn)表明，本文方法在性能評估方面要優(yōu)于大部分所比較的方法，特別在解決隱式關(guān)系問題中要優(yōu)于其他的方法.下一步將建立更高階的語義概率模型，優(yōu)化解決聯(lián)合查詢以及聚合查詢的問題.