问答系统是自然语言处理领域的一个重要研究方向。一方面，图灵测试的场景本身就是问答。如果我们有了和人一样智能的问答系统，那么就相当于通过了图灵测试。因此问答相关研究始终受到人工智能学者的重视。从知识工程、推理机、专家系统，到搜索引擎，智能助手甚至机器人，问答系统贯穿了人工智能的整个发展历程。另一方面，问答作为人类最自然的交互方式，有非常广泛的应用需求。在信息浩如烟海的互联网时代，问答系统可以帮助用户快速并准确地获取信息，让人们的生活更加便利，甚至可以部分地替代人工劳动，例如替代人工客服对客户进行自动回答，更加高效经济地解决现实问题。

如图1所示，在早期的研究中，研究者主要关注单个关系型知识，即问题中仅涉及单个三元组，如“布朗尼·詹姆斯的父亲是谁”，只需要在知识资源中进行检索和匹配，就可以得到答案。这一类问答被称为简单问答。然而在很多情况下，问题不能通过检索和匹配直接得到答案，而是需要处理多跳关系、集合操作、属性比较等情况。例如问题“布朗尼·詹姆斯和他的父亲谁更高”，需要找到布朗尼·詹姆斯的父亲，并比较两个人的身高属性。这类针对复杂问题的问答任务称为推理问答。处理这些复杂问题要求计算机实现知识的表示和推理，并且能够处理Wikidata等结构化知识和Wikipedia等百科资源。

为此，我们设计了面向知识的推理问答编程语言KoPL，抽象了一组面向知识的基本函数，复杂的自然语言问题都可以表示为由基本函数组合而成的KoPL程序，程序运行的结果就是问题的答案。例如，图1中的自然语言问题“布朗尼·詹姆斯和他的父亲谁更高”可以解析为由基本函数Find，Relate和SelectBetween组合而成的KoPL程序，运行结果“勒布朗·詹姆斯”为问题的答案。

目前，KoPL为面向知识的复杂推理问答任务抽象和总结了27个基本函数，覆盖对多种知识元素（如概念、实体、关系、属性、修饰符等）的操作，并支持多种问题类型（如计数、事实验证、比较等）的查询。KoPL具有如下特点：

1. 提供显式、透明的推理过程。不同于SPARQL将查询图和知识库进行图模式匹配来得到答案，KoPL将复杂问题转化为推理函数的组合，以代表推理过程，具有显式和透明的特点。

2. 易于理解，便于人机交互。如图2所示，KoPL程序以流程图的形式呈现给用户，推理过程清晰明了，对于推理错误的部分可以更加容易地修改。如只需把QueryRelationQualifier函数的第二个参数”followed by”修改为”follow”，就可以得到正确的KoPL程序。

 

OpenKG地址：http://openkg.cn/tool/kopl

GitHub地址：https://github.com/THU-KEG/KoPL

网站地址：https://kopl.xlore.cn

内容中包含的图片若涉及版权问题，请及时与我们联系删除