QA知识来源：结构化知识(KB)、半结构化知识、非结构化知识、文本摘要、机器翻译
这里的KB主要有：Freebase,DBPedia,Yago 等现有知识库
知识库KB：RDF + SPARQL，问题—在高异质性的KB中写SPARQL语句很困难
KBQA : 由于缩写、同义词、数学换算等可能导致失配 —> 同义转换 —> 用CRF 计算候选匹配排名 —> 有反馈的特定排名(要与用户交互，实现困难)
统计方法和神经学习方法的主要区别：
- 统计：人工设计规则和特征；从数据中学习权重
- 神经：特征和权重都是从数据中学习来的，需要极大的训练数据集
同义问题转换：从原始问句中抽象出实体(基于主题实体和上下文寻找抽象)，将含抽象实体的问题通过重排转为已有问题模板。通过问题类型接口（基于Bi-LSTM）获取答案。
答案的扩展：给出直接和相关答案。 —> 深拷贝？(这里没看懂)
冷启动问题：众包…(告辞)
QA进化：生成富多样性的问题集，依旧需要众包干预
总结：这篇论文讲的主要是在已有的知识库查询中，如何提高自然语句转为SQL语句准确率，由于我们并不打算在项目中用SQL语句，故不对实现做深入了解。后面还有根据问题对相应网页进行操作如填写表单，这种高级内容就不看了吧…也许以后的百度音箱能实现…
思考：也许需要重新审视一下端到端这个概念了，真正含义是给出一个复杂的包含各种条件约束的自然语句问题，直接给出确切答案。那么很显然传统的语句查询无法同时处理这么多的条件，而在KB中我们可以沿着关系用一种传递的方式去查询，那么问题来了，如果确定关系约束的先后顺序，不至于由于顺序错误中断查询过程，似乎是一个难度较大的问题。所以，我们的项目只能尽量简化问题了…
值得进一步学习：Bi -LSTM模型, CRF模型
本文内容学习自：CCKS19_ATT_XifengYan