知识库问答要解决的问题是计算机能够利用知识库中的知识对人们输入的自然语言问句给出答案，例如：“奥巴马的夫人是谁？”->“米歇尔.拉沃恩.奥巴马”。

具体方法可以参考论文中是如何实现的：

目前学术界采用的方法大致可以分成三大类：

基于信息提取（Information Extraction）的方法，这种方法先利用问句信息结合知识库资源获取候选答案，然后再从候选答案中甄别得到最佳答案 Yao Xuchen, Benjamin Van Durme. Information extraction over structured data: Question answering with freebase.

基于语义解析（Semantic Parsing）的方法，该方法关键在于将自然语言问句解析成一种表达问句语义的逻辑形式（Logical Form），再基于这种结构化的表达从知识库中寻找答案 Jonathan Berant, Andrew Chou, Roy Frostig, Percy Liang. Semantic Parsing on Freebase from Question-Answer Pairs；Jonathan Berant, Percy Liang. Semantic parsing via paraphrasing（有开源工具）

基于向量空间建模（Vector Space Modeling）的方法，与前两种方法需要人工设计规则、提取特征不同，这种方法使用向量空间描述自然语言问句以及知识库中的实体和关系，利用收集的问题-答案对进行各向量表征的自动训练，通过比较问句和备选答案在向量空间中的距离实现对于输入问题的回答 Antoine Bordes, Jason Weston, Nicolas Usunier. Open question answering with weakly su-pervised embedding models

也可以按照输入问题的复杂度分成：

简单问句（factoid question answering）：这种问题只需要一个三元组就能搞定，比较基础的通过LR的方法： Antoine Bordes, Jason Weston, Nicolas Usunier. Open question answering with weakly su-pervised embedding models；或者结合CNN、RNN神经网络的方法：Character-Level Question Answering with Attention

复杂问句：需要多个三元组，有时需要进一步的推理或者做一些计算。回答这类问题目前采用上面基于语义解析一类的方法效果较好。贴个微软目前比较新的工作 Wen-tau Yih, Ming-Wei Chang, Xiaodong He, and Jianfeng Gao. 2015. Semantic parsing via staged query graph generation: Question answering with knowledge base.

以上的论文中的系统均利用Freebase知识库来回答问题。

原文转载自： www.zhihu.com/question/30789770/answer/116138035