Question Answering with Subgraph Embedding
总结
文章提出一个将问题、候选答案映射到低维稠密向量，然后计算其关联程度评分，通过排序确定最后
的答案。训练的过程是一个多任务训练过程，不仅使利用<问题、答案>对，也使用相同意思的问题对，
来丰富词向量信息。
候选答案的获取
首先从问题中匹配出一个主题实体
策略1：仅仅考虑与主题实体距离一跳以内的实体(有些问题的答案并不是在一跳以内)
策略2：考虑与主题实体距离两跳以内的实体，但是由于两跳以内的实体，数量过于庞大，所以作者考虑
利用关系类型进行筛选，仅仅考虑关系类型与问题有较大关联程度的2跳实体，加入候选集。
问题和答案的嵌入
问题的嵌入
问题的嵌入十分简单，就是词向量相加
候选答案嵌入
候选答案的嵌入分为三个策略：
单个实体嵌入
路径嵌入：开始实体、结束实体、以及连接的关系类型(1跳对应三个向量、2跳对应四个向量，中间的实体不考虑)
扫描二维码关注公众号，回复：
10465398 查看本文章
子图嵌入：不仅考虑路径嵌入，也考虑子图嵌入，即与候选实体关联的实体及其实体类型。
总体流程图如下
疑问
其实还有个疑问，作者是怎么推理出答案包含多个实体，有些看不懂。
论文原文
