Author：Peter Ochieng--（这个是作者，我写个读后感而已！）
2.文献综述
下面介绍将NL转换为SPARQL以及将NL转换为SQL的ART应用：
（1）AquaLog：语义网的本体独立问答系统。它由一个语言组件组成，用于映射用户查询到查询三元组，这些查询三元组被进一步处理成符合本体的三元组，然后导出答案，它不包含处理标量形容词、编号列表和复合组件。
（2）CASIA@12：是一个关于链接数据（linked data）的问答系统，不处理标量形容词、否定、编号列表和复合句。
（3）DEANNA：还将NL中的问题转换为结构化查询，使用整数线性规划(ILP)来解决术语对语义项的消歧。
（4）Querix：一种模式匹配本体独立的自然语言接口(NLI)。
（5）PANTO：利用Stanford解析器从用户提交的查询生成解析树，然后在解析树中提取名词（nominal phrases）短语成分。
（6）AutoSPARQL：使用监督的机器学习来生成基于正（positive）的SPARQL查询。
（7）SPARK：将NL关键字处理成SPARQL的一种工具，它的输出是SPARQL查询的排序列表，其关键步骤包括：术语映射、查询图的构造和查询排名。
（8）WDAqua：通过使用基于规则的组合方法从自然语言生成SPARQL查询，并在底层知识库中生成利用编码的语义。（？不明白）其他的将NL转换为SPARQL的工具：TeBaQA，Elon，QASystem。（作者这里提到了Iyer, Konstas, Cheung, Krishnamurthy, & Zettlemoyer, 2017--这篇文献，不懂，直译？？）为了将NL转换为SQL，使用双向LSTM从给定的NL生成最佳的SQL查询。其他利用神经网络将NL转换为结构化语言的研究包括：(Cai et al.,2018), (Yu et al., 2018)and (Gur, Yavuz, Su, & Yan, 2018)---（？？三篇文献的引用，我是啥也不会，所以发小文文的梦想估计要破灭了！）；基于神经网络的方法面临的一个主要挑战是，它们试图使用一些训练示例来表示整个知识库（知识库不是典型的案例分析吧！所以这里的意思应该是机器学习不适合本体知识库？？）；当模型遇到训练数据中没有看到过的新词汇时，这将成为一个挑战，从而影响基于神经网络的预测。
（个人爱好，请多多指正！原作者不要来打我！）