论文概要
论文地址，发表于 2014 年。 本文的作者在同年发表了另一篇论文，将上一篇论文称为 A，此论文称为 B，对于 A 论文我也做了论文笔记，本论文是上一篇论文的改进版。A 只是对简单问题进行研究，B 研究如何改进模型并回答更复杂的问题。 开放域问答中的一流技术大致可以分为两大类：1)基于信息检索；2)基于语义解析。信息检索系统首先通过 KBs 的搜索 API（转换方式估计是手写模版，论文中未细说） 将问题转换为有效的查询语句（比如 neo4j 数据库的 CQL）以此检索到大量的候选答案，然后再仔细地识别准确的答案（Kolomiyets O 等 2011，Unger C 等 2012，Yao X 等 2014）。语义解析旨在通过语义分析系统正确解释问题的含义，解释步骤的做法是把问题转换为数据库查询语句（这里的查询语句应该是逻辑形式，比如组合范畴法），以此查询到正确的答案。尽管这两种方法有能力去处理大规模知识库，但是需要专家手动的创建词汇、语法以及 KB 协议才能有所成效。且没有通用性，无法方便地扩展到具有其他模式、更广泛词汇或英语以外语言的新数据库。 相反，Paraphrase-Driven Learning for Open Question Answering 提出了一个几乎不需要人工注释的开放域 QA 框架，虽然这是一种有趣的方法，但是它被其他方法超越了。即第二段提到的论文 A。 相比于论文 A，作者作出了以下几点改进：1）对于候选答案，考虑更多更长的路径（之前只考虑了 main entity 周围的结点）；2）对候选答案进行更有意义的表示：答案的表示包含问答路径以及周围的子图。
任务定义
假设所有潜在的答案都是 KB 中的实体，当 KB 中不存在该实体时，可以使用一些方法解决（论文中具体没说，只是说了一种极简单的方式：When this entity is not given, plain string matching is used to perform entity resolution）。 此外 N 代表词典的大小，其中 \(N = N_W + N_S\)，\(N_W\) 代表词嵌入的大小，\(N_S\) 代表实体和关系的数量。
改进：考虑多维度的信息
以下描述一个候选答案的特征表示，论文将以三个角度进行表示： 1. Single Entity：此表示方式与上一篇论文一样，没什么讲究。就是 Freebase 中的一个实体，\(\psi(a)\) 代表答案的 1-of-\(N_S\)（one hot）表示； 2. Path Representation：答案被认为是一条 path，该 path 从问题中被提及的实体到答案实体。此实验中，考虑 1-hop 或者 2-hops 级别的 path。比如，(barack obama, people.person.place of birth, honolulu) 是 1-hop path，(barack obama, people.person.place of birth, location. location.containedby, hawaii) 是 2-hop path。这导致了 \(\psi(a)\) 代表 3-of-\(N_S\) 或者 4-of-\(N_S\) 的向量，至于为什么是 *-of-\(N_S\)，显而易见。 3. Subgraph Representation：我们将 2 中的 Path 和连接候选答案的整个子图进行编码。具体看论文，写的有点看不懂。
我们的假想是将所有的信息都编码进表示以提高结果，但是这不大可能。所以还是采用将子图编码进表示的方法。下图即为实验的模型，右下角显示了编码方式。
实验
与论文 A 差不多，多了一个多任务训练，其他的细枝末节没仔细看。
