正文内容 评论(0)
近期,凭借着对中文自然语言及知识图谱精确的语义解析、知识检索和知识推理能力,思必驰语言与知识团队研发的AI-KBQA算法一举拿下了大规模权威中文知识图谱问答KgCLUE测评榜单第一名。
大规模中文知识图谱问答权威测评榜首
问答系统(Question Answering)是知识图谱典型的应用场景,其能够接受自然语言形式描述的用户请求,通过问句分析、知识获取、知识推理等操作自动得到精确答案,是新一代信息检索系统的重要形式。而基于知识图谱问答服务及其涵盖的一系列关键技术能够有效提高问答系统的智能化水平,同时在知识问答与推荐等领域都发挥重要作用,具有很高的应用价值。
在参与比赛的过程中,思必驰语言与知识团队针对KBQA任务的特点,从以下三个方面设计并优化命名实体识别、实体链接、属性匹配模块:
高细粒度知识图谱:团队预研了千万量级的高细粒度的中文知识图谱。在命名实体识别模块,高细粒度的知识图谱可以有效帮助模型识别同名实体,提升实体识别的准确性,同时可以有效减少因同名实体带来的实体链接错误。
多阶段实体链接:将实体的检索分为多个阶段,检索对象扩大至与实体相关的文本片段以提高模型的实体检索能力。
属性匹配增强:鉴于实体中往往具有不同值的相似属性,模型在对实体的属性进行预测时,不仅对单个属性进行预测,同时也会对全部的属性列表进行筛选,从而在相似属性上更具有区分度。
团队在参与比赛过程中,不断改进和优化模型,使用模型集成的方式来增强模型的泛化能力。AI-KBQA算法的得分由最初的94.81提升至98.78,在大规模中文知识图谱问答榜KgCLUE1.0 中排名第一,并且在多项子任务得分上同样取得了第一名的佳绩。
KgCLUE:中文KBQA测评基准
中文语言理解测评基准CLUE(Chinese Language Understanding Evaluation) 是权威的中文自然语言评估基准,覆盖了多个不同的自然语言理解任务,通过完善中文语言理解基础设施的方式来更好促进中文语言模型的发展,吸引了众多团队刷新此榜单。在CLUE的自然语言任务中,知识图谱问答KBQA(Knowledge Base Question Answering)是该评测在知识图谱问答上的一项重要任务。
KBQA可以利用知识图谱中丰富的语义关联信息,深入理解用户问题并给出答案,其主要任务是将自然语言问题通过不同方法映射到结构化的查询,并在知识图谱中获取答案。而KgCLUE作为中文KBQA测评基准,充分利用了CLUE的积累和经验,并结合KBQA的特点和发展趋势,极大地促进中文KBQA领域的研究、发展与应用。
深耕KBQA算法研发
AI-KBQA算法设计的模型针对性地对KBQA任务中三个算法模块进行了优化,有效地提高了模型的性能。思必驰作为国内专业的对话式人工智能平台公司,此次登顶KgCLUE榜单有效验证了其在中文知识图谱问答领域的领先性。
在未来的中文知识图谱问答工作中,团队将会继续深耕KBQA算法的研发,将趋于构建深层次知识推理、“广而浅”的通用领域、“专而深”的特定领域等复杂问答服务,具体可分为以下几个方面:
多实体,多条件,多逻辑:高精度识别并判断问题中的有效实体,有效推理出问题中涉及到的限制条件和逻辑判断,例如时间推理,数值推理,排序推理等;
解决多跳和多层级问答:多跳问题涉及到跳转个数与跳转类型,多层级涉及到回答的层级细粒度;
适配多领域:不同领域问答类型分布不同,复杂问题的侧重点也不同,应实现模型与数据模块化,快速适配不同领域。
思必驰始终坚持基础源头技术创新,不断巩固技术研发创新实力,曾先后荣获国内、国际多项赛事冠军,已经形成产学研一体化的成熟发展模式。未来思必驰团队将继续深耕技术研发,促进行业产业资源融合发展。