亲，你的KB会QA吗？
卷友们好，我是rumor。
今天和大家聊聊我又爱又恨的主线剧情——对话。
除了搜广推之外，NLP最大最核心的落地点就是对话了。对话场景下又可以分为闲聊、任务型和FAQ三类任务。闲聊就不说了，做一个凉一个。比较能带来商业价值的就是任务型和FAQ。
任务型主要用在智能音箱、车载系统等IoT产品中，FAQ则更多地嵌入软件，作为企业的智能客服为用户提供信息。虽然之前聊过对话类应用的产品化问题，但技术总在发展，长期来看对话赛道的想象力还是很大的。
任务型对话更偏Query理解和交互，需要get到用户的意图，并将其转化为程序指令。FAQ则更像一个小型的搜索引擎，不仅需要理解，也需要对答案进行召回排序，计算Q-A的相关性。
其实再细分，根据答案数据来源的不同，FAQ也可以分为很多路召回。在答案数据是纯文本的时候，就可以用端到端的阅读理解来做，从本文中抽出一段话回答给用户。但单纯抽取出的答案会不太友好，同时Q-A需要模型本身有很强的推理能力，实际应用时准确率堪忧。所以保险的做法是用Q-Q匹配，提前把标准问题和答案都准备好，如果用户问题匹配到标准问题，就给出准备好的答案和话术。但这种方式做久了也会有问题，比如金融、保险领域里，类似的标准问题会很多，有问A股开户的，有问创业板、港股开户的。如果把这些query都提前准备好，会碰到一些问题：
数据爆炸：需要准备很多query，同时因为问法太多，标准问也是一直在优化的（一般都是人工配），优化了“我想开个A股的账户”之后，就得再去添加“我想开个港股的账户” 难匹配：到后期标准问越来越多，很难区分，需要模型的细粒度匹配能力越来越强，不然容易匹配错
面对上述问题，就有了更简化的方法——KBQA。
比如刚才的A股开户问题，可以先识别出query中的主实体是A股，之后的意图/关系是开户。这样就把多个板块的开户问题变成了一个问题：
另外，在很多场景中，信息都已经是结构化好的，比如商家、商品信息，利用KBQA技术就可以直接对询问信息的query作答。在我听过的一些业界分享（阿里小蜜、小爱音箱）中，大多数对话系统都有KBQA这路召回。
目前业界主要是用Pipeline的方式来做KBQA，主要分为以下流程：
Query理解：识别句子中的主实体，进行实体链接。再复杂一点还需要进行Query分词、依存分析、意图识别等 子图召回：根据主实体，召回多跳子图 答案排序：计算Query和子图的匹配分数，找到最终答案，进行话术优化后返回给用户
其中每个模块都要用到机器学习技术，实体识别需要NER、实体链接需要匹配、子图召回涉及到图谱构建、答案排序涉及到匹配以及ensemble。
我目前负责的项目之一就是KBQA，将这个技术嵌入到美团APP中，为用户回答商家以及商品信息的各类问题。可能你们找不到入口，不过不要紧，要紧的是：
我们最近和北大合作！！！
在CCKS全国知识图谱与语义计算大会2021的测评任务中！！！
在Biendata平台上！！！
举办了第四届CCKS KBQA的比赛！！！
之所以举办，主要是因为我们去年只卷到了A榜第一！！！B榜第二的成绩！！！（不代表官方观点）
不开心！！！（不代表官方观点）
所以今年卷成主办方！！！看看我们出的题别人怎么做！！！（不代表官方观点）
这一整套系统做下来！不仅锻炼了工程能力！又锻炼了算法能力！
别人参加一个比赛只做了一个算法！而来参加KBQA比赛你可以做N个！
喜不喜欢！心不心动！
心动就快行动吧！