张旻昊关于知识图谱问答的文章"Crake: Causal-Enhanced Table-Filler for Question Answering over Large Scale Knowledge Base"被NAACL 2022 Findings 接收。

基于语义解析的知识库（KB）问答（KBQA）方法通过构建结构化知识图谱查询语句回答自然语言问题，这类方法通常涉及结点抽取（node extraction, NE）与查询图构建（graph construction, GC）两个子任务以生成、连接查询语句中的结点。

一般而言，NE与GC间存在较强的因果关系，但此前的工作并未在模型中直接建模、利用这些因果关联，进而阻碍了对子任务关联的充分学习。此外，前人工作通常将GC建模为一个生成式任务，这可能引入序列歧义性、暴露偏差等问题，进一步降低系统准确率。

本工作将语义解析过程分为图结构生成（graph structure generation）-关系抽取（relation extraction）两步。在第一步中，我们提出了一个利用因果增强的填表（table filling）模型同时处理NE与GC，它有效地避免了上述生成式建模的问题并充分利用了子任务间的因果关系。在第二部中，我们提出一种高效的束搜索（beam search）算法以在复杂查询、大规模KB上保持伸缩性。本工作在LC-QuAD 1.0上实现了~17%的显著提升，成为了新的SoTA方法，同时具有良好的时间与空间效率。