论文概要
论文地址，发表于 2014 年。 将自然语言（natural language，NL）问题转换为对应的逻辑形式（logical form，LF）是基于知识库问答（KB-QA）任务的核心任务，转换问题也被称作语义分析。在 KB-QA 任务领域，与以往（Mooney, 2007; Liang et al., 2011;Cai and Yates, 2013; Fader et al., 2013; Berant etal., 2013; Bao et al., 2014）基于词汇化短语（lexicalized phrases）和逻辑谓语（logical predicates）之间的映射作为词汇触发器（lexical trigger）来执行语义分析中的转换任务不同（其中 Fader 2013 提出的论文在论文笔记1和论文笔记2中具有提及，ctrl f 之后搜索 Paraphrase-Driven Learning for Open Question Answering 或者 Fader 即可找到对应位置），本论文进一步提出了一种将 NL 问题映射到 LFs 中的新的嵌入式方法，其利用词汇表达与 KB 中的属性在隐含空间中的语义关联来实现。实验表明，在两个公开的 QA 数据集上，该方法优于其他三种 KB-QA 的基线方法。 先前工作必须处理以下两种限制： 1. 由于逻辑谓语的含义通常具有不同的自然语言表达（natural language expression，NLE）形式，因此从谓语提取的词汇触发器可能有时会受到大小限制； 2. 由于命名体识别（named entity recognition，NER）组件检测到的实体将用于与逻辑谓语一起组成逻辑形式，因此它们的类型也应该与谓语一致。然而，现有的 KB-QA 系统使用的 NER 组件大都独立于 NLE 到谓语的映射步骤。
相关工作
一如既往地（我为什么要说一如既往？因为前两篇论文笔记都记录了）说明语义分析有多糟糕，需要使用大量的人力，继而只能被限制在特定的领域（以后关于这些劣势都不写了）。 一如既往地描述了 FreeBase。
