संयुक्त क्वेरी व्याख्या और प्रतिक्रिया रैंकिंग का अध्ययन

सूचना निष्कर्षण और संगठित वेब प्रयासों के लिए धन्यवाद, असंरचित पाठ पर खोज धीरे-धीरे अर्थपूर्ण एनोटेशन और संरचित ज्ञान आधार के माध्यम से संवर्धित हो रही है। हालांकि, अधिकांश उपयोगकर्ता ज्ञान आधार की योजना से परिचित नहीं हो पाते और संरचित क्वेरी नहीं पूछ पाते। मुक्त-फॉर्म क्वेरी को अधिक संरचित प्रतिनिधित्व में परिवर्तित करना वर्तमान में बहुत रुचिकर है। प्रमुख दृष्टिकोण यह है कि क्वेरी टोकनों को उद्देश्य के अनुसार विभाजित या विभाजित किया जाए (प्रकारों, संस्थाओं, विशेषता नामों, विशेषता मूल्यों, संबंधों के संदर्भ) और फिर व्याख्यायित क्वेरी को संरचित ज्ञान आधार पर लॉन्च किया जाए। चूंकि संरचित ज्ञान निष्कर्षण कभी भी पूरा नहीं होता है, यहाँ हम एक कम पूर्वाग्रहित पथ चुनते हैं: एक डेटा प्रतिनिधित्व जो असंरचित पाठ संग्रह को बनाए रखता है, साथ ही उस पर संरचित एनोटेशन (संस्थाओं और संबंधों के उल्लेख) को। हम दो नए, स्वाभाविक स्वरूपों का प्रस्ताव करते हैं जो ज्ञान आधार और संग्रह के बीच द्विदिशात्मक सूचना के प्रवाह का लाभ उठाते हैं। एक, संभाव्य भाषा मॉडलों से प्रेरित है, जो क्वेरी व्याख्या की अनिश्चितताओं पर प्रत्याशित प्रतिक्रिया स्कोर की गणना करता है। दूसरा अधिकतम-सीमा भेदकारी शिक्षण पर आधारित है, जिसमें वे अव्यक्त चर होते हैं जो उन अनिश्चितताओं का प्रतिनिधित्व करते हैं। अभिज्ञानित संस्थाओं की खोज के संदर्भ में, दोनों रूपरेखाएँ दोहराए जाने वाली क्वेरी के उपयोग में एक महत्वपूर्ण सटीकता अंतर को पाटती हैं, जो बिल्कुल भी प्रकार को संकुचित नहीं करती है, और वह ऊपरी सीमा जहाँ प्रत्येक क्वेरी का "पूर्ण" लक्ष्य संस्थाओं का प्रकार मानव द्वारा प्रदान किया गया है। हमारे रूपरेखाएँ हाल ही के क्वेरी प्रकार पूर्वानुमान तकनीकों का उपयोग कर लक्षित प्रकार चुनने के लिए पहले चरण के विकल्प की तुलना में भी बेहतर हैं, और फिर प्रकार-संकोचित संस्थाओं की खोज क्वेरी लॉन्च करते हैं।