PAROT: Translating natural language to SPARQL(PAROT:将自然语言翻译成SPARQL)--02
作者:互联网
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!)
标签:02,转换,SPARQL,知识库,查询,PAROT,NL,三元组 来源: https://blog.csdn.net/weixin_45799003/article/details/110312737