离线过程：离线过程的目标是学习从模板到属性的映射，由 P(p|t) 表示。这一过程将在第 4 节详述。在第 6 节中，系统在知识图谱中扩展了属性，以学习更复杂的属性形式（例如图 1.1 中的 marriage→person→name）。

图 5.2：系统概览

第 3 节 本文的方法：KBQA

第 3.1. 节在概率框架下将问题形式化。这一问题被化简为两个主要部分：离散概率计算和在线推断。第 3.2. 节中展示有关概率计算的大部分细节，但将 P(p|t) 的计算留在 4 节。第 3.3. 节将详述在线问答过程。

3.1. 问题模型

KBQA 通过 QA 语料库和知识图谱进行学习。由于问答过程的不确定性（一些问题的意图是模糊的）、不完整性（知识图谱几乎总是不完备的）和噪音（QA 语料库中的问答可能是错误的）等问题，本章为知识图谱上的问答系统构建了一个概率模型。需要强调的是从问题意图到知识图谱属性的不确定性。例如，问题 Barack Obama 来自哪里？至少与 Freebase 中的两个属性连接：“place of birth”、“place lived location”。在 DBpedia 中，谁创建了 $organization? 与属性“founder”、“father”均相关。

问题定义 5.1. 给定问题 q，问答系统的目标是寻找具有最大概率的回答 v（v 是一个简单值）：

为了说明给定问题时如何寻找目标值，系统使用了一个生成模型。从用户问题 q 开始，系统首先通过其分布 P(e|q) 生成/识别它的实体 e。在得知了问题和实体之后，系统根据分布 P(t|q,e) 产生模板 t。由于属性 p 仅依赖于 t，系统可以通过 P(p|t) 来推断 p。最终，给定实体 e 和属性 p，系统通过 v 产生回答值 P(v|e, p)。v 可以被直接返回，或是嵌入一个自然语言句子作为回答。例 5.2 阐明了生成过程，并且显示了图 5.3 中随机变量的依赖关系。基于这个生成模型，可以如下计算 P(q, e, t , p, v)

现在问题 5.1 被化简为：

例 5.2.考虑表 5.2 中（q3,a3）的生成过程。由于 q3 中的唯一实体为“Honolulu”，系统通过 P(e = d|q = q3) = 1 生成实体结点 d（见图 1.1）。通过概念化“Honolulu” 为 $city，系统生成模板 how many people are there in $city。注意到无论特指哪个城市，这一模板对应的属性总是“population”，系统通过分布 P( p|t ) 生成属性“population”。在生成实体“Honolulu” 和属性“population” 后，目标值“390k”能够轻易地从知识图谱中获取，如图 1.1 所示。最终系统使用自然语言句子 a3 作为回答。

以下小节的概要给定了上述的目标函数，问题化简为对式 5.2 中各个概率项的计算。其中 P( p|t ) 在离线过程中计算（见第 4 节），其他全部概率项可以通过现成的解决方案（例如概念化、NER）计算。第 3.2. 将详述这些概率的计算过程。第 3.3. 节将基于这些概率结果详述在线过程。

图 5.3：概率图模型

3.2. 概率计算

　　在本小节中，将计算式 5.2 中除 P( p|t ) 外的各概率项。

实体分布P(e|q) 这一分布代表从问题中辨识实体。当满足以下两个条件时，将其辨识为实体：(a)它是问题中的一个实体；(b)它在知识图谱中。对于 (a)，系统使用Stanford Named Entity Recognizer [33]。对于 (b)，系统检验实体的名字是否在知识图谱中。如果存在多个候选实体，简单地给予他们一样的概率。

系统通过 q 的回答优化离线过程中 P(e|q) 的计算。由第 4.1. 节知，系统已经从问题 qi 和回答 ai 中提取了实体-值对 EVi。假定 EVi 中的实体有相等的概率来被生成：

其中[.]是 Iverson bracket。由第7.5. 节知，这一途径比直接使用 NER 更为精确。