---
title: "知識庫問答系統（Knowledge-based QA）"
slug: knowledge-based-qa
language: zh-TW
source: https://aiterms.tw/terms/knowledge-based-qa
updated_at: 2026-07-04
tags: [自然語言處理, 知識圖譜, AI應用, source:arxiv]
ipas_term: false
---

# 知識庫問答系統（Knowledge-based QA）

基於結構化知識庫回答使用者問題的系統，能精準檢索並進行多跳邏輯推理。

## 完整說明

知識庫問答系統是一種自然語言處理技術，用於將使用者的自然語言問題轉換為針對結構化知識庫的查詢指令，進而精準檢索出答案。常見應用包括醫療輔助診斷、企業客服機器人、金融風險評估與智慧家庭控制中心。

## 常見問題

### 建置一個基於知識的問答系統需要多少資料量？

建置知識庫問答系統的資料需求無法以單一標準衡量，這主要取決於應用領域的廣度與深度。如果系統只針對特定公司的內部請假流程進行問答，可能只需要幾百個實體與數千條關係的知識庫就能運作良好。然而，若要打造一個能回答各類醫療問題的綜合輔助系統，其知識圖譜可能需要包含數以萬計的醫學名詞與數百萬條關聯記錄。重點在於知識庫中必須包含能覆蓋預期使用者問題範圍的充足結構化事實，以及足夠多樣化的問答配對資料，以便訓練系統準確理解各種自然語言的問法與意圖。

### 知識圖譜（Knowledge Graph）和傳統關聯式資料庫有什麼不同？

知識圖譜與關聯式資料庫在資料儲存與表達方式上有著根本的差異。關聯式資料庫依賴嚴格的表格結構來組織資料，並透過主鍵和外鍵來建立關聯，適合處理高度結構化且格式固定的數據。知識圖譜則採用圖狀結構，以節點代表實體，以邊代表實體間的關聯，這種方式在表達複雜、多層次且動態變化的關聯網路時更加自然且直觀。當進行需要跨越多個關聯表的深度查詢（多跳推理）時，知識圖譜通常能提供更好的效能與靈活性，而關聯式資料庫則可能會遇到嚴重的效能瓶頸。

### 如何評估基於知識的問答系統的效能？

評估知識庫問答系統通常從多個維度進行。最直觀的指標是準確率與召回率，這衡量了系統是否能針對使用者的問題給出正確且完整的答案。此外，系統處理複雜問題的能力也是評估重點，例如涉及多條件篩選、聚合計算或多跳推理的問題。另外，還需考量系統在面對模糊表達、錯別字或不規範語法時的強健性。在實際應用中，查詢的響應時間、知識庫更新的即時性，以及系統遇到未知問題時能否給出適當的回退提示，都是決定使用者體驗優劣的關鍵評估項目。

---

來源：https://aiterms.tw/terms/knowledge-based-qa
快查頁：https://aiterms.tw/terms/knowledge-based-qa
最後更新：2026/07/04
深度解說：https://aiterms.tw/learning/what-is-knowledge-based-qa