Question Answering over Freebase via Attentive RNN with Similarity Matrix based CNN
概述
本文的方法是基于检索的方法。通过将问题、答案映射到同一向量空间，通过计算向量距离，衡量问题和
答案的相似程度，最后选出正确答案。文中的创新点是作者提出了AR-SMCNN模型，用以融入更多的文本
信息。并且论文也提出了一种启发式方法用于实体检测。
方法的总体架构图
任务定义
知识图谱是由一个个<实体、关系、实体>的三元组组成。本文的任务是根据一个问题预测出头实体、关系
之后在知识图谱中检索出尾实体。任务较为简单，仅仅用到了知识图谱中的事实性知识。
实体检测
方法的流程图如上所示。具体：
-
使用双向LSTM对句子中的每个词进行二分类，标记0或1
-
选出句子中标记为1的连续子句(连续是相对的，可以容忍的最大间隔为1)。若有多个子句，选出最长的子句S。
-
从知识库中找到与步骤2选出的子句S中相同的实体
-
步骤3中，若没有从知识库中找到相应实体，增长或者缩短子句S(最多两个单词),生成新的子句，去知识库匹配
-
步骤4没找到的话，只好暴力搜索，用整个句子的每个单词去匹配，找出知识库中包含单词的实体。从这些找 到的实体中，选择与整句有最长公共子序列的实体。
关系发现
总体框架图如下
-
语义水平
Freebase知识库中，关系由两部分组成，一是头实体类型，二是头实体与尾实体的关系。
AR-SMCNN模型左边部分：
首先对问题中的每个单词进行嵌入，作为双向GRU的输入，GRU的输出为每个单词对应的隐状态
向量，之后由于关系的两部分对问题中相同单词聚焦程度不同，所以模型引入注意力机制
-
字义水平(literal-level)
作者发现，问题和关系中一些词存在不同的表达，即使是同一个意思。比如
<music, musical>、<genre, type>.如下图所示
AR-SMCNN模型右边部分：
作者构造了一个相似矩阵，之后经过卷积层，唯一新颖的地方，论文中使用了2-direction最大池化。
从水平方向和垂直方向进行最大池化，最后经过全连接层，得到输出。
论文原文
