QOA问答系统的架构
SCQA架构
SCQA架构Situation（情景）Complication（冲突）Question（疑问）Answer（回答）SCQA是什么？麦肯锡的咨询顾问芭芭拉·明托在《金字塔原理》中提出了SCQA架构，所谓SCQA是四个英文字母的简写，分别是Situation（情景）、Complication（冲突）、Question（疑问）和Answer（回答）。
情景：情景即背景，用于事实的引入，可以认为是相对稳定的一种状态；冲突：通常指某种不利的变化或颠覆目前状态的事件，总的来说是推动情节发展的因素；疑问：具体的课题，比如该怎么办，怎样做？回答：解决方案是……应用SCQA架构就是要让读者或听众将其他思想抛开，专注于你要表达的主题，从而让任何人读你的文章或听你的演说，都会同看一场扣人心弦的好莱坞大片一样感兴趣。
案例：某公司发言人向公众介绍一项新推出的产品，他是这样开场的：“我公司与出租车公司近日合作推出12588出租车电招热线，也就是我公司“快捷通”，对于广大市民来说又是一大便利。
我这里展现的就是12588总台的调度系统，通过这个系统……”这样的开场白有吸引力吗？当然没有。
我们按照SCQA架构来调整一下，看看会不会好很多？【S情景】不知道大家有没有这样的经历呢？在比较偏僻的地方等了很久都等不到一辆出租车……【C冲突】好不容易来了一辆说不定还要跟一起等的人抢，感觉特不方便，如果有女伴在，男士们也会觉得好没面子！【Q疑问】以后如果再碰到这样的情况怎么办呢？【A回答】您只需要拨打12588，全市的出租车都由您来指挥。
下面我给大家介绍我公司与出租车公司近日合作推出的“快捷通”……”在表达方面，SCQA架构的应用随处可见，包括汇报、演讲、广告文案、文章、商业报告等等。
比如下面是一个招聘文案：应届大学生亟需就业岗位，是陈述事实背景S。
而“大企业进不去，小公司看不上”，是冲突C，也是在背景S下很多人的矛盾点。
“去哪好？”说出大家心中的疑问Q。
智能问答系统的设计与实现
智能问答系统的设计与实现随着互联网和人工智能技术的发展，智能问答系统在日常生活中越来越得到广泛应用。
智能问答系统是一种基于自然语言处理、机器学习等技术，能够理解用户提出的问题，并给出相应的答案的系统。
智能问答系统的实现需要考虑系统架构、语言处理、数据库设计等多个方面。
一、系统架构的设计智能问答系统的设计需要考虑系统架构，即如何将不同的模块组合在一起形成一个完整的系统。
系统架构的设计需要考虑以下几个方面：1. 数据获取和预处理：智能问答系统需要从不同的数据源中获取数据，并将数据进行预处理。
数据源可以是结构化数据，比如数据库中的数据，也可以是非结构化数据，比如网页上的内容。
预处理包括数据清洗、数据分析和问题标注等过程。
2. 自然语言处理：自然语言处理是智能问答系统的核心技术之一。
自然语言处理的过程包括分词、词性标注、依存句法分析、命名实体识别等步骤。
自然语言处理的结果可以被用于实现问答系统中的意图识别、实体识别、关系提取等功能。
3. 对话管理：对话管理是指如何处理用户提出的问题，并给用户提供相应的答案。
对话管理的过程包括意图识别、实体识别、关系提取、答案生成等步骤。
对话管理需要根据用户的输入进行相应的分析，以确定用户的意图和需要回答哪些问题。
4. 数据库设计：智能问答系统需要将从不同数据源中获取的数据存储在数据库中。
数据库设计需要考虑数据的结构化和关系，以支持系统的高效查询和检索。
二、语言处理的实现智能问答系统的实现需要涉及自然语言处理(NLP)的技术。
NLP技术主要包括以下几个方面：1. 分词：将一个文本分成一个个单独的词语。
2. 词性标注：确定每个词语的词性。
3. 命名实体识别：识别由实体组成的词组，如人名、地名、日期等。
4. 依存句法分析：确定词语之间的语法关系。
5. 关键词提取：提取文本中最重要的关键词。
实现NLP技术需要使用一些常用的工具和算法，例如NLTK、Stanford NLP和OpenNLP等。
知识库问答系统的构建与应用
知识库问答系统的构建与应用知识库问答系统（Knowledge Base Question Answering System，简称KBQA）是一种人工智能技术，通过构建一个包含丰富知识的数据库，并利用自然语言处理和机器学习算法，为用户提供准确而高效的问答服务。
本文将探讨知识库问答系统的构建过程以及其在实际应用中的应用场景。
一、知识库问答系统的构建知识库问答系统的构建主要包括以下几个步骤：1. 数据收集与处理构建知识库问答系统的第一步是收集与处理数据。
数据可以来自不同的领域，如百科全书、专业文献、互联网等。
收集到的数据需要进行清洗和预处理，包括去除噪声、格式化文本、分词等，以便后续的处理和建模。
2. 知识抽取与表示在知识库问答系统中，知识的抽取与表示是关键的步骤之一。
通过自然语言处理技术，将原始数据中的知识抽取出来，并以结构化的方式进行表示，例如使用图谱或者知识图谱的形式。
这样可以方便系统对知识的理解、存储和检索。
3. 问答模型的训练与优化问答模型的训练与优化是知识库问答系统中的核心环节。
通过机器学习算法，构建一个针对特定领域的问答模型，该模型可以学习到问题和答案之间的关系，并能够准确地回答用户提出的问题。
训练过程中需要大量的标注数据和特征工程，以提高模型的性能。
4. 问题匹配与回答生成在用户提出问题后，知识库问答系统需要将问题进行匹配，并从知识库中找到相关的答案。
这涉及到自然语言处理技术中的问句理解和语义匹配等技术。
通过问题匹配，系统能够找到与问题相似的知识，然后生成对应的答案并返回给用户。
二、知识库问答系统的应用知识库问答系统在各个领域都有广泛的应用，以下为几个常见的应用场景：1. 企业客服与咨询许多企业利用知识库问答系统构建智能客服系统，为用户提供在线咨询与客户服务。
用户可以通过提问的方式获取问题答案，无需等待人工客服的回复。
这样不仅提高了效率，还减轻了客服人员的负担。
2. 教育与培训知识库问答系统也可以应用于教育与培训领域。
基于自然语言处理技术的智能问答系统设计
基于自然语言处理技术的智能问答系统设计第一部分：引言随着互联网技术的飞速发展，人们对于信息的需求越来越高。
尤其是在现代社会，人们对于问题的解答似乎变得更加迫切。
在人工智能领域，基于自然语言处理技术的智能问答系统应运而生。
该技术不仅能够为人们提供便利的服务，也能够提高人们获取信息的效率。
本文将结合自然语言处理技术以及人工智能领域的知识，对基于自然语言处理技术的智能问答系统进行详细的介绍。
第二部分：智能问答系统的设计与流程2.1 系统运行流程智能问答系统的运行流程主要包括：问题的提取、问题的分析、问题的匹配、答案的生成、答案的排序、答案的输出等几个关键步骤。
其中，问题的提取是指从用户输入的信息中提取出问题；问题的分析是指对输入的问题进行分析，以便后续的处理；问题的匹配是指在先验知识库中查找与用户问题相匹配的信息；答案的生成是指基于已经匹配到的信息生成答案；答案的排序是指对生成的答案按照相关性进行排序；答案的输出是指将相关性较高的答案输出给用户作为回答。
2.2 系统架构设计智能问答系统的架构设计主要分为两部分：前端设计和后端设计。
前端设计主要负责用户交互，包括用户的输入和输出；后端设计则主要负责问题的处理以及答案的生成等核心功能。
前端设计通常包括Web前端，移动端和语音助手等多种形式。
其中，Web前端是最常见的形式，通常采用浏览器作为交互界面，用户通过浏览器向系统提问和获取回答。
而移动端和语音助手则通常采用手机和智能音箱等设备作为用户的交互工具。
后端设计则涵盖了多种技术，包括自然语言处理技术、信息检索技术、知识图谱技术等。
这些技术协同工作，实现了问题的处理和答案的生成等核心功能。
第三部分：智能问答系统的关键技术3.1 自然语言处理技术自然语言处理（Natural Language Processing，NLP）技术是基于计算机科学和语言学等多个领域，旨在实现计算机对人类语言的理解和自然产生语言的能力。
知识图谱在智能问答系统中的应用与推理能力提升
知识图谱在智能问答系统中的应用与推理能力提升摘要：智能问答系统(QA)作为人工智能领域的重要研究方向，旨在模拟人类的理解和推理能力，从文本中获取信息并回答用户的问题。
近年来，知识图谱(KG)作为一种结构化的知识表示方式，为智能问答系统提供了丰富的语义信息和推理能力，极大地推动了问答系统的性能提升。
本文将详细介绍知识图谱在智能问答系统中的应用，包括知识图谱的构建、知识图谱的查询、基于知识图谱的语义理解和推理，以及知识图谱在不同类型问答系统中的应用。
此外，本文还将探讨知识图谱如何提升智能问答系统的推理能力，并展望知识图谱在未来智能问答系统发展中的作用。
关键词：智能问答系统，知识图谱，语义理解，推理，应用1. 绪论1.1 智能问答系统的研究背景与意义智能问答系统 (QA) 是模拟人类理解和推理能力，从文本中获取信息并回答用户问题的系统。
近年来，随着人工智能技术的快速发展，智能问答系统在各个领域展现出巨大的应用潜力，例如：*信息检索与搜索:提升搜索引擎的效率和准确性，提供更加精准的答案。
*客户服务与客服:通过智能问答系统，自动化解决用户常见问题，提升服务效率。
*教育与教学:提供个性化的学习指导和辅助学习，提高学习效率。
*医疗与健康:协助医生诊断疾病，提供医疗建议，提高诊断效率和治疗效果。
1.2 知识图谱在智能问答系统中的应用价值传统问答系统主要依赖于统计语言模型和机器学习技术，难以理解复杂语义和进行深层推理。
而知识图谱作为一种结构化的知识表示方式，以实体和关系的形式存储世界知识，能够有效解决传统问答系统面临的挑战。
知识图谱在智能问答系统中的应用价值主要体现在以下几个方面：*提供丰富的语义信息:知识图谱包含大量的实体和关系，可以为问答系统提供丰富的语义信息，提高对问题的理解能力。
*增强推理能力:知识图谱可以进行逻辑推理，通过已知实体和关系推断出新的信息，解决复杂问题。
*提高答案的准确性和可解释性:知识图谱可以为答案提供可靠的来源和证据，提高答案的准确性和可解释性。
使用AI技术进行智能问答与知识图谱构建
使用AI技术进行智能问答与知识图谱构建一、智能问答系统智能问答系统（Intelligent Question Answering, IQA）是一种基于人工智能技术的应用，旨在帮助用户快速准确地获取信息。
由于互联网上储存了大量的知识和数据，使用传统搜索引擎往往返回大量无关或重复的结果，给用户带来困扰。
而智能问答系统能够根据用户提供的问题进行语义理解和自动推理，并给出精确的回答或相关信息。
1.1 语义理解与自动回答实现智能问答系统首先需要进行语义理解，即将用户提出的问题转化为机器可以理解的形式。
常见的方法包括文本处理、词向量模型以及自然语言处理技术等。
通过对问题的分析和归纳，系统可以确定问题类型，并为后续步骤做好准备。
在获得了经过语义理解之后的问题后，接下来系统需要根据知识库或网络上的资源进行信息检索和推断，以获取与问题相关的答案和信息。
这就需要构建一个强大且可靠的知识图谱。
二、知识图谱构建知识图谱（Knowledge Graph）是一个结构化、链接和丰富的知识数据库，它抽象了现实世界中各种实体和关系之间的关联性。
通过将不同领域的知识与概念进行链接，构建了一个大规模的、多维度的知识网络。
因此，在智能问答系统中，构建一个精确而全面的知识图谱是非常重要的。
2.1 知识图谱构建过程知识图谱构建分为三个主要步骤：数据收集、知识抽取和关系建立。
* 数据收集：首先需要从可靠并且权威的数据源收集相关数据。
这些数据源可以是结构化、半结构化或者非结构化的信息，包括但不限于网页、语料库、数据库等。
* 知识抽取：在获取到原始数据后，需要使用信息抽取技术对其中的有用信息进行提取。
这可能涉及到实体提取、属性抽取及关系提取等任务。
* 关系建立：在得到抽取出来的实体、属性和关系之后，需要根据其内在联系，通过链接相应关联信息来构建一个完整而准确的知识图谱。
2.2 AI技术在知识图谱构建中的应用在传统的知识图谱构建中，大量的人工参与是不可避免的。
基于海量知识库的自动问答系统设计与实现
基于海量知识库的自动问答系统设计与实现随着人工智能技术的不断发展进步，自动问答系统（QA）已经成为了人们日常生活中必不可少的一部分。
自动问答系统通过对用户提出的问题进行智能分析，并给出相应的答案或建议。
在互联网时代，自动问答系统已经得到广泛应用，涉及的行业也越来越多。
本文旨在探讨基于海量知识库的自动问答系统的设计与实现。
一、海量知识库的构建海量知识库是自动问答系统的核心，是整个系统的知识来源。
如何构建一个海量、质量高的知识库是自动问答系统设计中的重中之重。
海量知识库的构建需要耗费大量的时间和精力。
首先，需要收集各种各样的数据源，比如百度百科、维基百科、知乎、豆瓣等网站上的问答数据。
其次，需要对收集的数据进行清洗、分析和归类，以便系统能够准确地识别和分析用户的输入问题，从而找到相关的答案。
在构建海量知识库的过程中，需要采用多种技术手段，如自然语言处理技术、机器学习技术、图谱建模技术等。
这些技术手段可以用于对大量文本数据的特征提取、分类、聚类、关系抽取等方面，从而实现对知识库的智能化管理和维护。
二、自动问答系统的架构设计自动问答系统的架构设计是整个系统的灵魂所在。
一个良好的架构设计可以确保系统的性能和可靠性，提高系统的响应速度和准确度。
自动问答系统一般可分为三个部分：前端交互界面、中间处理引擎和后端知识库。
前端交互界面是用户与系统交互的界面，用户在这里输入问题，并在这里接收系统返回的答案。
中间处理引擎是整个系统的核心，它负责对用户输入的问题进行分析、分类和匹配，并从后端知识库中检索相应的答案。
后端知识库是系统的真正源头，它包含了海量的知识数据和规则库，供中间处理引擎使用。
自动问答系统的架构设计需要考虑到以下一些因素：（1）性能优化。
自动问答系统需要具备较高的响应速度和稳定性。
因此，系统架构设计应考虑高并发、高可用、高性能等优化因素。
（2）技术选型。
自动问答系统需要依赖于多种技术，如自然语言处理、机器学习、语义理解等。
大模型知识库智能问答与企业 OA 系统融合：提升员工效率的深度洞察
一、核心观点1.1智能融合，效率跃升智能问答与企业OA系统的结合，犹如为企业装上了强大的引擎。
在当今信息爆炸的时代，员工面临着海量的文档和数据，传统的检索方式效率低下，耗费大量时间和精力。
而智能问答系统的出现，能够快速准确地定位所需信息，极大地提高了员工的工作效率。
例如，当员工需要查询某个项目的相关资料时，只需在智能问答系统中输入关键词，系统就能迅速给出准确的答案，无需在繁杂的文档中苦苦搜索。
企业OA系统作为企业日常办公的重要平台，与智能问答系统的融合，使得员工在处理日常工作任务时更加得心应手。
这种融合不仅提高了员工的工作效率，还为企业带来了竞争优势。
在激烈的市场竞争中，时间就是金钱，高效的工作效率能够帮助企业更快地响应市场变化，抢占先机。
1.2创新驱动，价值凸显这种融合是企业数字化转型的关键举措，能够挖掘潜在价值，推动企业持续发展。
随着数字化时代的到来，企业面临着越来越多的挑战和机遇。
智能问答与企业OA系统的结合，为企业提供了一种创新的工作方式。
通过智能问答系统，企业可以更好地管理和利用知识资产，将隐性知识转化为显性知识，为企业的决策提供有力支持。
同时，这种融合也促进了企业内部的知识共享和协作，打破了部门之间的信息壁垒，提高了企业的整体创新能力。
例如，达观智能知识管理系统的智能文档分类功能，能够自动对文档进行分类和标签化，方便员工快速找到所需文档，提高了文档管理的效率和准确性。
此外，智能写作和智能审核功能也为企业的文档处理提供了极大的便利，提高了工作质量和效率。
1.3达观智能知识管理系统介绍达观知识库基于垂直大模型+行业专业知识，具有强大的功能和优势。
它能够汇集管理企业内外部专业文档，涵盖金融、IT、项目管理、政策类、工业制造等多个领域。
通过深度挖掘文档中的知识内容，达观知识库能够轻松构建企业的智慧大脑，提供内部资料智能问答、智能写作、智能审核等一系列智能化服务。
达观数据坚持自主可控的训练数据和算法模型，与国产GPU实现联调对接，提供“算力+模型”的全套国产化信创方案，为企业的数字化转型提供了有力保障。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
社区问答系统
问题分类、问题推荐 专家发现、信誉评估 知识抽取
自动问答系统（1）-问题分析
用自然语言分析技术和语义分析技术，获取问句 包含的重要信息，从而让系统更好地理解用户的 问题。
问题分类、获取问题的关键字信息 、获取 问句的语法和语义信息
问题分类 把问题按照不同的 语义主题进行分类。 目的：为了理解问 句的问题目标，作 为答案查找的必要 的约束关系，对不 同类型的问题采取 不同的处理策略。
问题分析（conf.)
获取问题的关键字信息
英文问句：自动完成了分词， 去掉停用词（Stopword） 和文本分块（Chunking） 中文问句：关键是分词技术。 命名实体识别。 关键词扩展。
Question
POS Tagger
NER
SPM
Pattern Base
Question target, Keywords,Constr
语法信息主要是指关键字的语法角色、问句的语法树 和字词之间的依赖关系等。 一般借助于自然语言的分析工具，例如斯坦福大学的 语法解析器Standford Parser 和语法依赖关系解析工具 Minipar 或者利用人工设计的语义模板。 语义角色标注和框架语义（FrameNet）等技术。
段落或句子检索
<Q> what is the longest river in China? </Q> <P>The Yellow River, with a total length of 5464 kilometers, is the second longest river in China, just next to the Yangtze River. </P> <Q> who is the first president of United State? <P>The 43rd and current President of the United States is George W. Bush</P>
问答系统介绍（2）
传统搜索=>问答式搜索
关键字查询=>自然语言问题 问答搜索：处理更复杂的信息需求
文档级响应=>精确答案相应
文档相关度要求：与查询相关度低
答案：要求精确和高度相关
数据源：网页数据库、FAQ库、百科全书 库、知识库等。
问答系统介绍（3）
研究现状
自动问答系统
基于机器学习的自动分类 。例如：训练支 持向量机分类模型SVM。 基于语言模型的分类。
语言模型是针对某种语言建立的概率模型， 描述了语言的字词和词序列的分布规律， 已经被广泛应用于语音识别、自然语言处 理、机器翻译等领域。 语言模型最主要是用来估计字词序列的概 率，其最关键的问题是：给定前面i -1个词， 如何估计第i个词的出现概率。
问题分类
DESC:manner How did serfdom develop in and then leave Russia ? ENTY:cremat What films featured the character Popeye Doyle ? DESC:manner How can I find a list of celebrities ' real names ?
返回最佳答案
问 、 天涯问答等。 通过互动问答的形式， 提供用户之间的知识 共享和交互服务。
问答系统研究内容
自动问答系统
问题分析（分类、模板匹配、语义分析） 段落检索
（段落抽取、排序） 答案抽取 （实体识别、模板匹配、排序）
语言模型的估计一般用极大似然估计方法 （Maximum Likelihood Estimate），即
P( wi ) ML C (wi n wi n 1...wi 1 , wi ) C (wi n wi n 1...wi 1 )
一元语言模型：假设所有的词独立。
问题Q：w1w2…wn, P(w|C)表示类型为C的 主题语言模型中w出现的概率。P(Q|C)表示 问题Q由类型C的语言模型产生的概率。 二元语言模型：假设每个词与前一个词有 关。
生成查询
“What is the longest river in China?” => “longest river, china”
去停用词(Stop-Words): “the”，“ a” ，“in”。 词语替换
检索算法
Multitext 基于词频，倾向于选择长度较短的，包括具有较高idf值 的段落。
问答系统研究 Research on Question Answering
黎新 xinli@ 2010-5-30
提 纲
1、问答系统介绍 2、问答系统的研究情况 3、目前研究的热点问题
问答系统介绍（1）
自动问答技术（Question Answering，QA）是综 合运用了自然语言处理、信息检索、语义分析、 人工智能等技术的一种新型的信息服务技术 。与 传统的搜索引擎不同，自动问答系统以自然语言 句子提问， 系统分析并理解用户的问题，返回用 户想要的答案。 例如:问题“Which city is the capital of China?”(中国的首都是哪个城市?)，问答系统将 会给出直接的答案“Beijing”（北京）。问答系统 比传统的搜索引擎更加直接、高效和准确。
问题“When did John go to the hospital ?”和问题“Where did John go to the hospital ?”的语法树
FrameNet框架语义
语义角色识别
(1) [ARG1 Who] did [ARG0 Tom] [TARGET kill]? (2) [ARG0 R.Kelly] [TARGET was killed] by [ARG0 Tom]. (3) [ARG1 Tom] [TARGET was killed] by [ARG0 Jim].
自动问答系统（2）--检索模块
文档检索模块：文档检索的功能是利用问题分析生成的初 始查询，从文档库中检索出相关的文档。 检索工具：Lucene 、OKAPI、Lemur等。
算法：基于TF*IDF的向量空间模型、语言模型。
段落或句子检索模块：在文档检索结果的基础上的二次检 索，目的是从文档中抽取出可能包含了问题答案的文档片 段。
问题分类的方法
1. 正则表达式模型（Regular Expression Model）：利用句子的模式来判断问题的语义类 型，句子的模式包括疑问词、字词序列和一些与 问题类型相关的描述性的词语。例如，以“How long”开头的问题往往是询问与距离或长度相关的 NUMBER（数字），以“When”开头的问题则问 的是某个TIME（时间）。以“What”提问的问题， 其语义类型则往往要根据其他的词语来决定，例 如，“What country”问题的类型是LOCATION （地点）, “What time”问题的类型则是TIME（时 间）。
问答系统介绍（4）--自动问答系统
问题分析模块 文档或段落检索模 块 答案获取和排序模 块
问题分析模块 问题 问题分类 关键字提取 语法语义分析 查询
检索模块
文档检索
段落或句子检索
答案(实体或句子)
答案获取和排序模块 相关性句子排序 答案实体抽取
“Who is the CEO of Microsoft ？ Corporation?” QA SYSTEM Text Corpora
Cui et al.
Gaizauskas等人（2003）和Usunier等人（2004）提 出一种两阶段的段落排序算法，首先利用IR引擎检索返回 N个初始的段落，其中N是一个较大的数目，并利用相关 性排序算法对它们排序；然后选择排在最前面的n（n < N） 个段落，并利用排序算法对这n个段落进行重新排序。 Usunier 等人（2004）利用机器学习的排序算法来解决这 个问题。对于给定的问题qi以及其对应的一个段落列表P = ｛(pi,j, wi,j)｝,其中pi,j 表示问题qi 的第j个段落， wi,j表示pi,j 关于qi相关度得分，这些相关度得分与问题的不同特征有 关；然后把（ qi ，P）作为输入特征来训练机器学习排序 算法。
利用马尔科夫假设，只考虑有限的历史，假设第i 个单词wi仅依赖于前n个单词，即
P(wi | S , w1 , w2 ,..., wi 1 ) P(wi | wi n , wi n1 ,..., wi 1 )
n-gram 马尔科夫模型。 n = 1时，是一元马尔科 夫模型（Unigram model），一元模型下的字词 之间是关系是独立的，因此得到的是每个字词的 独立出现概率；n = 2时，是二元马尔科夫模型 （Bigram model）。
ENTY:animal What fowl grabs the spotlight after the Chinese Year of the Monkey ?
ABBR:exp What is the full form of .com ? HUM:ind What contemptible scoundrel stole the cork from my lunch ? HUM:gr What team did baseball 's St. Louis Browns become ? HUM:title What is the oldest profession ?
表格 1.1 粗略的问题分类和细分的问题分类 Coarse ABBR DESC Fine gained categories abbreviation, expansion definition, description, manner, reason animal, body, color, creation, currency, disease/medical, ENTY event, food, instrument, language,letter, other, plant, product, religion, sport, substance,symbol, technique, term, vehicle, word HUM LOC NUM description, group, individual, title city, country, mountain, other, state code, count, date, distance, money, order, other,percent,