近年来，知识图谱问答任务取得较大进展，但当问题变得复杂，涉及多个实体的比较和推理时，机器尚不能很好地解答。如何让机器像人类一样学会推理，从而处理复杂问题，是当前的一个研究热点和难点。
知识图谱推理问答要求计算机根据给定的知识图谱，处理实体之间的多跳、比较、集合操作等复杂问题。相较于简单问答只涉及单个实体和单个关系，推理问答的问题相对复杂，常常涉及多个实体，多个关系，多跳，比较等。简单问答只需要识别出问题中的实体和关系，链接到知识图谱中，即可查出答案。推理问答则要求计算机具备多种推理能力。
数据集是推理问答的基础，在本次分享中，讲者主要为大家总结了4个常用推理问答数据集，并从所用知识库、知识类型、问题数量、自然语言、SPARQL共5个角度加以对比。
现有知识库主要有三种知识类型：①关系型，如（“姚明”，“出生于”，“上海”）；②属性型，如（“姚明”，“身高”，“229厘米”）；③事实型，用于表示一个关系型事实或属性型事实的知识，如（（“上海”，“人口”，“23,390,000”），“统计时间”，“2016”）。
知识图谱推理问答主流方法大致分为键值记忆网络（KVMemNet）、基于强化学习的多跳路径搜索、弱监督的程序学习、查询图解析与匹配4大类别。键值记忆网络的优点为模型简单，通用性强；通过向量的迭代更新，隐式进行推理。基于强化学习的多跳路径搜索不仅有较强的多跳推理能力，可以得到推理路径，而且具有较好的可解释性。
弱监督的程序学习的优点有：只需定义相应的函数，理论上可以处理任何推理问题；组合性，有限函数的组合可以解决无限的问题；程序表示推理步骤，具有很好的可解释性。查询图解析与匹配具有可以处理大多数推理问题，查询图具有较好的可解释性等优点。
对于未来的研究，主要有以下4个方向：（1）基于KQA Pro数据集；（2）神经模块网络（neural-symbolic），将函数实现为神经网络，以获得更好的鲁棒性；（3）sequence-to-graph模型进行查询图解析，将SPARQL看作图而非序列，以更好地捕获节点间的依赖关系；（4）用于推理任务的GCN、RGCN模型。