本文主要针对语义解析类方法探讨三个问题：
- 构造语义解析类标注数据成本较高，如何低成本的构建推理过程的标注数据？
- 在某个领域上获得的标注数据，是否可以帮助其他领域的学习？比如金融领域构建的数据能不能迁移到医疗领域？
- 假如在没有标注数据的情况下，是否可以自动学习推理过程？
--
02
构造推理过程数据
首先考虑第一个问题，如何构造推理过程数据？
1. 推理过程描述语言——KoPL
SPARQL是一种非常经典的知识图谱逻辑语言，能够进行复杂问答的查询，但它更偏向于对图结构进行查询，无法获取查询的中间过程，也不符合人类思维的过程，不易于理解。
因此我们提出一种推理过程描述语言：Knowledge-oriented Programming Language，简称KoPL。通过这种语言来帮助我们构造推理过程数据。举个例子，对于问题“勒布朗·詹姆斯和他儿子谁更高？”，KoPL会将这个问题的推理过程分解为如上图右侧，首先在知识图谱中找到实体“勒布朗·詹姆斯”，再通过关系“儿子”找到对应的实体，然后对这两个实体进行一个比较操作，从中选取属性“高度”更大的实体，最终得到问题的答案。
可以看出，KoPL拆解问题更加注重过程，符合人类思维，更容易理解。
KoPL是一种强类型语言，它包含7种知识类型、实体、实体概念，比如中国就是一个实体概念、实体属性、实体之间的关系、属性型三元组、关系型三元组，以及一种更加高阶的修饰型知识。对于属性型三元组或关系型三元组，存在一种新的针对三元组的知识，比如说“勒布朗·詹姆斯参加选秀，被某个队选中”，而“被选中”这个事件的时间，就是一种高阶的修饰型知识，它是用于修饰一个已有的三元组。KoPL支持以上7种知识类型，并且在表达过程中，KoPL对这些类型进行了显式约束。
KoPL中包含了14个针对知识图谱元素的操作，比如找到知识图谱中某个实体或概念，根据属性值作为过滤条件找到对应的实体，也包括了13个查询操作，比如查询某个实体的名字。
