一，什么是基于知识图谱的问答(KBQA)？
KBQA--knowledge base question answering，通过对问题进行语义理解及解析，通过知识库进行查询。
二，KBQA的基本要素：
输入：自然语言问句，例如“姚明的老婆是谁？”，“姚明的身高多少？”
输出：知识图谱里的实体或者关系，例如“叶莉”，“2米29”
评价标准：召回率，准确率，F1-Score
三，KBQA的最基础方法--基于模板方法：
步骤：
自然语言查询-->意图识别(Intention Recognition)-->实体链指(Entity Linking)+关系识别(Relation Detection) -->查询语句拼装(Query Construction)-->返回结果选择(Answering Selection)
下面简单介绍下各个步骤的内容：
意图识别(Intention Recognition)：预先准备好意图模板，可以通过相似度来匹配，也可以通过机器学习里的分类问题来解决，这个是所有问答系统都要面临的问题。
实体链指(Entity Linking)+关系识别(Relation Detection)：将查询语句中出现的实体和关系映射到知识图谱里，本质是一个NER问题，只是需要将NER结果进一步链接到图谱。
参考论文：
Entity Linking: Finding Extracted Entitiesin a Knowledge Base
Improved Neural Relation Detection forKnowledge Base Question Answering
查询语句拼装(Query Construction)：需要根据底层知识图谱的查询语言，拼装成对应的query来查询(sparq等)，最简单的方法就是预先定义好查询模板，根据之前解析出来的(意图，实体，关系)填进模板查询即可。
返回结果选择(Answering Selection)：图谱查询之后的结果可能存在多个，需要选择一个最合适的答案，可以预先指定排序规则去选择答案。
基于模板的优点：
查询响应速度快
准确率高，可以回答复杂查询
基于模板的缺点：
要满足用户的各种问法，需要建立庞大的模板库，这个过程是很耗精力的
可以优化的点：
以上步骤最大的问题在于，需要人工事先准备模板，需要很大的工作量，是否可以自动生成模板？
参考论文：Automated Template Generation for Question Answering over KnowledgeGraphs
四，其他方法：
KBQA除了基于模板的方法之外，还有基于语义解析和基于深度学习等方法，后续再开新的文章进行介绍。
