语义网的形式化查询的生成方法研究

With the development of Semantic Web technologies, increasingly many ontologies and RDF data are available on the Semantic Web. Formalized queries over such data is an important part of Semantic Web applications. However, manually creating formalized queries is too complex for ordinary users and developers, so that it is necessary to study automatic generation methods of formalized queries for the Semantic Web, to promote the development of Semantic Web applications and to improve information services provided by the Semantic Web. Current technologies on question understanding, query generation, and query ranking can be significantly improved, including the understanding of complex questions, the mapping from complex question structure pattern to graph data pattern, and query generation under user interaction and over multiple data sources. This project aims to creatively contribute to question understanding for query generation, query generation based on Semantic Web data, query generation under user interaction, and query generation over multiple data sources. The outcome creative methods and techniques would promote the rapid development of Semantic Web applications, benefit the development of natural language question answering based on the Semantic Web, and promote the development of intelligent software and software automation.

伴随语义网技术的发展，语义网上的本体和RDF数据越来越多，而这些数据上的形式化查询是语义网应用的重要组成部分，但是人工构建形式化查询对一般用户与普通开发者而言过于复杂，因而很有必要研究语义网上形式化查询的自动生成方法，以推动语义网应用的发展并提升语义网的信息服务水平。现有相关技术在问句理解、查询生成与查询排序等方面有很大的提升空间，特别地，复杂问句的理解、复杂问句结构模式到图数据模式之间的语义映射、用户交互场景下以及多数据源环境下的查询生成等方面的关键技术有待突破。本项目力图在面向查询生成的问句理解、基于语义网数据的查询生成、交互场景下的查询生成和多数据源环境下的查询生成等方面有所创新，有关创新方法和技术能够推动语义网应用的快速发展，也有助于基于语义网的自然语言问答技术的发展，对于推动智能软件和软件自动化等相关领域的发展也有积极意义。

伴随语义网技术的发展，语义网上的本体和RDF数据越来越多，而这些数据上的形式化查询是语义网应用的重要组成部分，但是人工构建形式化查询对一般用户与普通开发者而言过于复杂，因而很有必要研究语义网上形式化查询的自动生成方法，以推动语义网应用的发展并提升语义网的信息服务水平。为此，项目组主要研究了面向查询生成的问句理解、复杂问句的查询生成、基于场景的问答、交互式查询生成中的实体搜索与关联搜索、多数据源场景下的数据源搜索与实体解析。. 面向查询生成的问句理解，项目组提出了一种将形容词转换为SPARQL模式的方法，名为Adj2SP，提出一种基于图的时序和因果类推理的阅读理解方法GTCR，提出了一直基于模式的时间表达式识别方法PTime。针对复杂问句的查询生成方法，项目组提出了基于查询子结构的查询生成方法SubQG，基于骨架的语义解析方法SPARQA，基于实体描述图的复杂问句分解及查询生成方法EDGQA，基于图匹配网络的知识图谱复杂问答方法TTQA。项目组以地理高考题为应用场景，研究基于场景的问答方法，提出了基于概念图谱的事实型问题理解及求解方法CGQA和基于场景的表格问答方法TSQA。另外，项目组研究了实体摘要生成方法、相关实体搜索方法和语义关联搜索方法，还研究了数据源搜索方法和实体解析方法，为交互场景下的查询生成和多数据源环境下的查询生成提供有力的支撑技术。. 项目组提出的方法及技术都已经通过实验验证了其有效性和先进性，这些研究成果直接地推动了知识库问答技术的发展，也能够推动语义网应用的快速发展，对于推动智能软件和软件自动化等相关领域的发展也有积极意义。