关于知识图谱，各路大神最近都在读哪些论文？
TheWebConf 2018 ■ 链接 | https://www.paperweekly.site/papers/1956 ■ 解读 | 花云程，东南大学博士，研究方向为自然语言处理、知识图谱问答 动机 对于 KBQA 任务，有两个最为重要的部分：其一是问题实体识别，即将问题中的主题实体识别出来，并与 KB 做实体链接；其二是谓词映射。 对于主题实体识别任务，之前的做法多为依靠字符串相似度，再辅以人工抽取的特征和规则来完成的。但是这样的做法并没有将问题的语义与实体类型、实体关系这样的实体信息考虑进来。 实体类型和实体关系，很大程度上，是与问题的上下文语义相关的。当只考虑实体关系时，会遇到 zero-shot 的问题，即测试集中某实体的关系，是在训练集中没有遇到过的，这样的实体关系就没法准确地用向量表达。 因此，为了解决上述问题，本文首先利用 entity type（实体类型）的层次结构（主要为实体类型之间的父子关系），来解决 zero-shot 的问题。 如同利用 wordnet 计算 word 相似度的做法一般，文章将父类型的“语义”视为所有子类型的“语义”之和。一个实体总是能够...
