来源: COLING 2018 Long Paper
原文

Movation

以往的模型在复杂问题（问题实体和答案实体之间相隔较远）上的表现很差。
作者认为：

We claim that one needs to explicitly model the semantic structure to be able to find the correct semantic parse for complex questions.

这里所说的“semantic parse(semantic graph)”如图1所示，之后可以转化为查询从KB中得到答案：

Semantic parsing

Semantic graphs

用图的方式对问题进行结构化表示，

Our semantic graphs consist of a question variable node (q), Wikidata entities ( Taylor Swift ), relation types from Wikidata ( PERFORMER ) and constraints (see Figure 3 for an example graph with a constraint).

Semantic graph construction

可能借鉴了强化学习的思路。
state: S=(E,F)$\mathcal{S}\mathcal{=}\mathcal{(}\mathcal{E}\mathcal{,}\mathcal{F}\mathcal{)}$. E$\mathcal{E}$表示当前的图，F={e|e∈E}$\mathcal{F}=\{e|e\in E\}$ 是在问题中出现但还没有加入图的实体。显然，S1=({},F)${\mathcal{S}}_{\mathcal{1}}\mathcal{=}\mathcal{(}\{\}\mathcal{,}\mathcal{F}\mathcal{)}$
action: A={ae,ac,am}$\mathcal{A}\mathcal{=}\{{\mathcal{a}}_{\mathcal{e}}\mathcal{,}{\mathcal{a}}_{\mathcal{c}}\mathcal{,}{\mathcal{a}}_{\mathcal{m}}\}$.

Representation learning

Deep Convolutional Networks： 使用DCNN得到向量vq${\mathbf{v}}_q$ 作为问题的表达。

结论与思考

旧问题，旧思路，新方法，扩展了查询图的定义，并且first to use GGNNs for semantic parsing and KB QA。