基於知識圖諧的問答（Knowledge Base Question Answering，KBQA）是指給定構建完成的知識圖譜，通過對用戶問題理解，將用戶的問題轉化為在知識圖譜上的查詢語句，並執行該查詢語句得到答案返回的過程。由於目前知識圖譜通常是基於事實的圖譜，所以KBQA通常用來回答事實型或百科類等知識問題。
基於知識圖諧的問答（Knowledge Base Question Answering，KBQA）是指給定構建完成的知識圖譜，通過對用戶問題理解，將用戶的問題轉化為在知識圖譜上的查詢語句，並執行該查詢語句得到答案返回的過程。由於目前知識圖譜通常是基於事實的圖譜，所以KBQA通常用來回答事實型或百科類等知識問題。
KBQA通常包含以下步驟：知識圖譜構建與存儲、語義解析、查詢語句執行、答案與回覆生成。KBQA也分為在線部分和離線部分。KBQA在線部分將語言理解的結果用於做語義解析。KBQA離線部分主要包括知識構建與存儲（即通過知識圖譜技術對數據的表示、抽取、挖掘、關聯、推理等操作形成行業知識庫）、語義解析模型數據準備與訓練這兩部分。
語義解析是基於知識圖譜問答系統的核心，將用戶基於自然語言問題轉化為計算機能夠理解且可執行查詢語句，然後在構建好的知識圖譜上進行查詢，從而得到問題的答案。
目前已有的語義解析方法主要包括：基於模板的方法、基於深度學習端到端的方法、基於複述的方法、基於圖搜索的方法和基於表示學習的方法等。目前市場上大部分產品都是採用單一策略的方式來完成知識問答。其中，基於模板的方法適合的問答類型有限，且通常需要領域專家設計模板，人工成本很高，通過自動學習模板的方式也不夠成熟；端到端的深度學習需要依賴大量標註數據，人工介入的耗費同樣十分巨大，雖然能夠較好地解決單跳問題，卻並不適用於複雜的多跳型問題，同時在面對小數據量的領域知識圖譜時，由於標註數據缺失，通常無法完成令人滿意的問答任務，並且深度學習的黑盒特性導致其並不具備可解釋性與可控性，在真實落地場景下會存在問題；而基於複述、基於圖搜索、基於表示學習等方法同樣存在各自的受限領域。因此，雖然實現語義解析的策略多種多樣，但是每種策略具有不同的特性，能夠有效工作的作用域有限，無法適應多領域多樣性的用戶問題，導致系統魯棒性不夠強。