核心要点
KBQA：用自然语言问知识图谱，在图上查询/推理得答案
语义解析路线：把问题翻译为 SPARQL 或逻辑形式，结构化查询图
信息检索/向量路线：检索问题相关子图，在子图上排序推理得答案
难点：实体/关系歧义、多跳推理、自然语言到结构化查询的鸿沟
标准回答
任务
KBQA（Knowledge Base Question Answering）让用户用自然语言提问，系统在知识图谱上查询与推理给出答案，如「鲁迅的弟弟的职业是什么」。
语义解析（Semantic Parsing）路线
把自然语言问题解析为结构化查询（SPARQL）或逻辑形式（lambda 演算/查询图）：先做实体链接定位主题实体，识别关系路径，组装查询并在图上执行。优点是可解释、能精确多跳；难点是解析准确率与覆盖度。
信息检索 / 向量路线
不显式生成查询，而是检索与问题相关的候选实体/子图，用模型对候选答案打分排序；可结合实体嵌入与问题嵌入做相似度匹配。适合大规模、关系复杂场景。
核心难点
实体与关系存在歧义需消歧；多跳问题需沿图遍历多条边推理；自然语言与图 schema 之间存在表述鸿沟。近年常用 LLM 做语义解析或与子图检索结合（GraphRAG 思路）来缓解。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。
🛠️ AI 工具
- GraphRAG
微软开源的基于知识图谱的 RAG 系统，将传统向量检索升级为图谱推理，大幅提升复杂问答的准确性和可解释性。