摘要
来自不同应用领域的知识被组织为知识图谱（Knowledge Graphs, KGs），并存储在RDF引擎中，可通过SPARQL端点在互联网上访问。要编写一个语法正确的SPARQL查询，用户需掌握图谱的结构信息以及其组件的精确URI，这对普通用户而言极为不便。问答（Question Answering, QA）系统通过将自然语言问题转换为SPARQL查询，提供了有效支持。然而，现有的QA系统通常依赖于特定应用领域的人工规则，或需要针对每个目标知识图谱进行预先的信息收集、昂贵的预处理以及模型适配，导致其难以泛化到广泛的应用场景和知识图谱。本文提出KGQAn，一种无需针对每个目标知识图谱进行定制的通用问答系统。与依赖人工规则的方法不同，KGQAn将问题理解建模为一个文本生成任务，利用神经序列到序列（sequence-to-sequence）模型，将自然语言问题转化为一种中间抽象表示。此外，我们设计了一种“即时链接器”（just-in-time linker），在查询执行时，仅通过公开可访问的API接口和RDF存储现有的索引信息，即可将该抽象表示动态映射为特定知识图谱对应的SPARQL查询，无需任何预处理步骤。在多个真实知识图谱上的实验结果表明，KGQAn具有良好的部署便捷性，在答案质量与处理速度方面显著优于当前最先进的方法，尤其在训练阶段未见过的任意知识图谱上表现尤为突出。