3. 简单问答相关工作
简答问答通常可以拆分为两个任务，实体链接与关系分类。
对于问题“中国的首都是哪里？”，通过问题的mention“中国”链接到知识图谱中的实体“中国”。第二个任务是关系分类，寻找问题中提及的关系，问题中的谓语动词是“首都”，我们通过一个分类任务，将关系联系到知识图谱上。通过这两个任务得到了实体“中国”和关系“首都”，就能从知识图谱中提取出答案“北京”。
4. 复杂问答相关工作
复杂问答涉及的相关工作会更加多样，通常可以分为两类：
- 语义解析法
对于一个给定的自然语言问题，通过某些模型或操作，转换为逻辑语言，比如SPARQL是知识图谱中常用的逻辑语言，将逻辑语言输入到知识图谱引擎中并得出答案。
- 信息检索法
依赖于神经网络的表达能力，隐式地寻找问题的答案，比如Memory Networks在知识图谱中的变种Key-Value Memory Networks，引入了Key-Value键值对，对于一个给定的查询，维护一个查询向量，基于查询向量在Memory中进行多次的查询并更新查询向量，模拟复杂问题的多步推理。另一种检索法是基于图神经网络，基于给定的问题，在图神经网络中进行特征更新，最后通过分类得到答案。
这两类方法各有各的优势和劣势，语义解析法能够处理各种类型的问题，比如前文提到的四种类型复杂问题，而且整个推理过程的可解释性强，但构建推理过程的标注数据成本很高。对于信息检索法来讲，它只需要问题与答案这样的标注数据即可训练模型，可以端到端地预测结果，但解决问题能力有限，中间过程不可解释，所以一般使用中我们更倾向于语义解析法。
5. 关键问题
