知识图谱问答（KBQA）利用图谱丰富的语义关联信息，能够深入理解用户问题并给出答案，近年来吸引了学术界和工业界的广泛关注。KBQA 主要任务是将自然语言问题（NLQ）通过不同方法映射到结构化的查询，并在知识图谱中获取答案。 小蜜团队研发的知识图谱问答系统（KBQA）目前已广泛应用于电信运营商、保险、税务等领域，但是在真实的客服场景中，KBQA 在处理复杂问句上仍然面临着挑战。 用户在咨询问题时，倾向于表达非常具体的信息，以便快速的获得答案，比较常见问句类型的有： 1）复杂条件句：“小规模纳税人季度销售额未超过 30 万，但是要开具 5 万元的的专票，需要缴纳附加税费吗？”； 2）并列句：“介绍下移动大流量和畅享套餐”； 3）推理型问句：“你们这最便宜的 5G 套餐是哪个？”等，这给 KBQA 提出了新的挑战：如何有效地利用深度学习模型规模化地处理复杂句问答？ 为了应对该问题，我们调研了 KBQA 方向最近几年的关键进展，并着重关注了含有复杂句的数据集及相关的方法。 本文会先介绍 KBQA 主流相关数据集，然后详细介绍两类在相关数据集上的典型方法以及每种方法的代表性模型，最后我们对 Semantic Parsing + NN 的方法进行一个系统性总结，并介绍小蜜团队的 Hierarchical KB-Attention Model。

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