# Strong Baselines for Simple Question Answering over Knowledge Graphs with and without Neural Networks
标签（空格分隔）： 自然语言处理
简介
- 在简单的神经网络上就能达到较好的效果
- 即使不用神经网络，也能达到较好的效果
相关工作
- 一开始的时候人们会把简单问句简化成一个结构化的问句
- 最近的一个数据集已经成为了知识图谱上的问答基线
- 本文并不认为人们已经充分探索了baseline
方法论
-
本文将QA问题分为四个部分：实体识别、实体链接、关系预测、证据整合
实体识别
- 只用到了双向LSTM和GRU+词向量
- 没有加CRF
- 还采用了只用CRF的方法（没有加神父学习）
实体链接
- 没有用神经网络，用模糊字符串匹配
- 用到了ngram的倒排索引
关系预测
- 将关系预测归类为分类问题
- RNN
- CNN
- logistic regression
证据整合
实验与结果
-
每部分分开做的
-
实体识别
- BILSTM 93.1
- CRF 90.2
-
实体链接
- 在不同的实体识别方法下的实体链接效果
- 实体链接有长尾现象，所以会有准确率的阻碍
- 同一标签下的实体很难
- 关系预测
- CNN最好
- 整体观察
-BILSTM + BIGRU最好- CRF + BIGRU下降很少准确率
- CRF + LR也不错
结论
-
首先，至少对于简单的QA而不是知识图的任务，在我们急于探索复杂的深度学习技术时，我们还没有以严谨的方式充分研究简单，强大的基线
-
非神经网络方法值得考虑，深度学习很好，但很可能没那么好
-
我们忘记了科学的目标是知识而不是排名第一
标签（空格分隔）： 自然语言处理
简介
- 在简单的神经网络上就能达到较好的效果
- 即使不用神经网络，也能达到较好的效果
相关工作
- 一开始的时候人们会把简单问句简化成一个结构化的问句
- 最近的一个数据集已经成为了知识图谱上的问答基线
- 本文并不认为人们已经充分探索了baseline
方法论
-
本文将QA问题分为四个部分：实体识别、实体链接、关系预测、证据整合
实体识别
- 只用到了双向LSTM和GRU+词向量
- 没有加CRF
- 还采用了只用CRF的方法（没有加神父学习）
实体链接
- 没有用神经网络，用模糊字符串匹配
- 用到了ngram的倒排索引
关系预测
- 将关系预测归类为分类问题
- RNN
- CNN
- logistic regression
证据整合
实验与结果
-
每部分分开做的
-
实体识别
- BILSTM 93.1
- CRF 90.2
-
实体链接
- 在不同的实体识别方法下的实体链接效果
- 实体链接有长尾现象，所以会有准确率的阻碍
- 同一标签下的实体很难
- 关系预测
- CNN最好
- 整体观察
-BILSTM + BIGRU最好- CRF + BIGRU下降很少准确率
- CRF + LR也不错
结论
-
首先，至少对于简单的QA而不是知识图的任务，在我们急于探索复杂的深度学习技术时，我们还没有以严谨的方式充分研究简单，强大的基线
-
非神经网络方法值得考虑，深度学习很好，但很可能没那么好
-
我们忘记了科学的目标是知识而不是排名第一