一、摘要
先引入问题。由于数据的大量增长，采用直观的途径获取信息越来越重要，问答系统是一个既满足直观性又满足表达能力的折衷方案。
然后介绍通用的做法，有什么难点。将问题转化问rdf三元组，去知识库中检索答案，该方式不能很好的表示自然语言问题的语义，很多问题回答不了。
接着介绍本文的方法。对问题进行深层语义解析，产生一个sparql查询模板，该模板能完整的映射问题的语义结构。利用统计实体识别和谓词检测等方法填充模板中的槽。
最后表明本系统的回答问题的能力要优于其他系统。
二、介绍
先介绍通常情况的问答解析思路，把问题转化为N个三元组来表示，然后去知识库中检索。
然后举了几个把问题转换成sparql模板的例子，重点描述了含有more than、most的例子。
三、模板生成
利用Pythia，通过借助领域无关词库和领域相关词库产生自然语言问题的句法树（词汇化邻接树算法）和语义表示。
四、实体识别
名词短语和名词采用通用的识别算法（字串相似度）。谓词检测采用知识库和BOA pattern结合的方法，定义support、typicity和specificity给谓词打分，得分最高的就是最佳谓词表达式（自然语言问题）—谓词（知识库）的映射关系。
五、query排序与查询
经过三、四两个环节会产生多个spraql查询，根据相似性分数和显著性分数，以及类型一致性检查、空结果剔除等方法，获得合适的query。
