知识问答方法允许用户以输入自然语言问句的方式访问知识库中的内容,它帮助用户以一种更加自然的方式获取知识库中内容。问答系统要为海量用户提供服务,因此它需要具备高效处理批量问句的能力。并行是高效处理批量问句的一种简单但有效的方法。然而,并行的批量知识问答方法面临如下三个挑战:首先,批量问句之间可能包含子问句层次上的公共语义,而公共语义的冗余处理会导致时间代价的巨大浪费。复杂问句与简单问句处理时间代价相差悬殊,难以做到将批量问句的代价较为平均的分配给各个并行处理单元。事实上,将问句分解后,在子问句层次上更容易将批量问句代价平均分配。其次,现有知识问答方法普遍依赖第三方工具,例如实体/关系识别工具。而在并行场景下,这些第三方工具会严重制约问句并行处理效率。最后,细粒度的问句并行处理会导致问句数量的显著增长,为了应对这种场景,一种准确预测问句解析时间代价的方法需要被提出。为了解决以上问题,本文提出了一种细粒度的并行批量知识问答方法。它由三部分组成,分别是:公共语义探测,批量子问句解析,以及并行子查询处理。在公共语义探测模块,提出一种基于语义图的问句分解方法来探测批量问句中子问句层次上的公共语义,它不仅避免了对公共语义的冗余处理,还将大量复杂问句分解为了易于被解析的简单子问句。在批量子问句解析阶段,将SPARQL看作一种特殊的自然语言,基于这个假设,提出一种基于翻译的元学习方法来将自然语言问句批量地翻译为对应的SPARQL查询。元学习方法很好地克服了少样本训练这一挑战。更重要的是,这种基于翻译的方法不依赖任何第三方工具,对并行处理更加友好。在并行子查询处理模块,提出一种基于代价预测的查询分组方案以及一种内存占用小的RDF数据存储与管理方案,它能高效的在内存中并行处理批量简单SPARQL。本文提出的细粒度的并行批量知识问答方法不仅可以避免对批量问句中公共语义的重复处理,还可以在不依赖任何第三方工具的情况下对批量问句进行解析,因此它实现了更高地并行处理效率。实验证明,本文提出的方法不仅能高效率的处理批量自然语言问句,还在Web Question,QALD和Simple Questions等标准问句测试集上取得了很高的问答精确度。