diff --git a/tex/12-intro.tex b/tex/12-intro.tex
index 0902156a520335668189787895f95027425dfd83..fd6ea143b0ec2930adc51ef400a3fa246a096edd 100644
--- a/tex/12-intro.tex
+++ b/tex/12-intro.tex
@@ -1,6 +1,6 @@
 \Introduction
 
-В отчетном периоде (сентябрь 2018 – август 2019) были разработаны методы обеспечения информационной поддержки мобильности населения в цифровом пространстве умного города с использованием семантических приложений. Под семантическими приложениями в настоящем проекте понимаются приложения и сервисы использующие семантику проблемной области для предоставления поддержки в принятии решений при обеспечении мобильноси жителей умного города.
+В отчетном периоде (сентябрь 2018 – август 2019) были разработаны методы обеспечения информационной поддержки мобильности населения в цифровом пространстве умного города с использованием семантических приложений. Под семантическими приложениями в настоящем проекте понимаются приложения и сервисы использующие семантику проблемной области для предоставления поддержки в принятии решений при обеспечении мобильноси жителей умного города. Полученные результаты основаны и являются продолжением исследований, проведенных в период 2017-2018 г. в НИР магистрантов и аспирантов Университета ИТМО №617038 ``Модели и методы онтолого-ориентированной поддержки мобильности населения в цифровом информационно-техническом пространстве умного города''  
 
 В настоящее время развитие сетей мобильной связи и сенсоров позволило собирать и накапливать большое количество информации об объектах и явлениях физического мира. Также, наблюдается активное внедрение методов и технологий извлечения, интерпретации и использования открытых источников информации для управления умным городом и планирования его развития. Такими источниками являются муниципальные и федеральные органы власти, а также устройства, оснащенные сенсорами для сбора данных, входящие в состав умного города и объединенные в городской интернет вещей (IoT) \cite{Dustdar2017, Aggarwal2013}. Использование накопленной информации для обеспечения персонифицированной мобильности жителей умного города также возможно при формировании цифровой личности жителя, включающей в себя основную информацию о нем.
 
diff --git a/tex/20-scenarios.tex b/tex/20-scenarios.tex
index ffc52eb8a75248db4d1ecd07fb13d342b16fb3f2..9e2af896862308918e23c900b7a6daed009a0601 100644
--- a/tex/20-scenarios.tex
+++ b/tex/20-scenarios.tex
@@ -109,7 +109,7 @@ \subsection{Анализ эмоционального состояния в за
 \item ожидаемое эмоциональное состояние от представителей той или иной демографической группы.                                                                                               \end{itemize}
 
 Определение пользователя
-Для начала системе необходимо определить, кто находится пере экраном. На вход подается кадр с камеры. При помощи API анализа лиц (на основе Microsoft Azure Face API) на кадре определяется человек, его пол и возраст, а также вероятности наблюдения той или иной эмоции. На основе информации о поле и возрасте уточняется демографическая группа, к которой принадлежит пользователь.
+Для начала системе необходимо определить, кто находится перед экраном. На вход подается кадр с камеры. При помощи API анализа лиц (на основе Microsoft Azure Face API) на кадре определяется человек, его пол и возраст, а также вероятности наблюдения той или иной эмоции. На основе информации о поле и возрасте уточняется демографическая группа, к которой принадлежит пользователь.
 Ожидаемое эмоциональное влияние рекламного ролика
 Вторым шагом в работе системы является оценка ожидаемого эмоционального отклика каждого зрителя. Расчёты предлагается производить по формуле~\ref{eq:expected_emotions}.
 \begin{equation}
@@ -139,7 +139,7 @@ \subsection{Анализ эмоционального состояния в за
 
 Где $emotion_{l,p}$ – эмоциональный выигрыш от использования функции $l$ пользователем $p$; $target\_emotion_{c,g}$ – целевое значение эмоции $c$ для демографической группы $g$, к которой принадлежит пользователь; $real\_emotion_{c,p}$ – реальное значение эмоции $c$ для демографической группы $g$, к которой принадлежит пользователь; $expected\_emotions_{c,p,l}$ - ожидаемое значение эмоции $c$ пользователя из демографической группы $g$ после использования функции $l$; $k$ – количество эмоций, принимаемых во внимание. 
 Подбор ролика
-Рассчитав значения эмоционального выигрыша от демонстрации каждого рекламного ролика группе пользователей, находящихся у экрана, можно ранжировать ролики в зависимости от полученного значения выигрыша. Предполагается, что система должна выбрать ролик, который принесет наибольший эмоциональный выигрыш.
+Рассчитав значения эмоционального выигрыша от использованных функций и сервисов системы, можно дополнительно ранжировать сервисы в зависимости от полученного значения выигрыша. Предполагается, что система должна выбрать сервис, который принесет наибольший эмоциональный выигрыш.
 
 
 \section{Обзор веб-сервисов для обеспечения мобильности жителя умного города}
diff --git a/tex/30-digital_identity.tex b/tex/30-digital_identity.tex
index 7bf690b116f77f9bad3a716d7581f98188ae044c..3abcee9b315992d653d9ba49d3797bb3e200857c 100644
--- a/tex/30-digital_identity.tex
+++ b/tex/30-digital_identity.tex
@@ -7,11 +7,11 @@ \section{Спецификация параметров цифровой личн
 \subsection*{\textbf{Исходные данные для кластеризации}}
 
 В качестве исходных данных для кластерного анализа использовались данные открытых профилей реальных пользователей социальной сети Вконтакте, 
-представленные в виде файла в формате json, содержащего сто тридцать пять тысяч открытых профилей реальных пользователей Вконтакте.
+представленные в виде файла в формате json, содержащего сто тридцать пять тысяч открытых профилей реальных пользователей Вконтакте, которые были обезличены для исключения возможности компрометации пользователей.
 
 Из большего количества полученных профилей пользователей было решено произвести фильтрацию и оставить максимально заполненные профили пользователей. 
 В результате отфильтрованные данные исчислялись количеством в 17805 профилей пользователей Вконтакте. 
-Так как некоторые из имеющихся профилей пользователей дублировались, было решено выделить множество уникальных id пользователей Вконтакте, 
+Так как некоторые из имеющихся профилей пользователей дублировались, было решено выделить множество уникальных идентификаторов пользователей Вконтакте, 
 размер которого составил 16133 профиля пользователей. Исходный профиль реального пользователя Вконтакте содержит информацию из разделов 
 \emph{``Основное''}, \emph{``Контакты''}, \emph{``Интересы''}, \emph{``Образование''}, \emph{``Карьера''}, \emph{``Военная служба''}, \emph{``Жизненная позици''}. 
 В листинге~\ref{lst:vk_user} представлен пример исходного профиля пользователя Вконтакте.
@@ -24,18 +24,18 @@ \subsection*{\textbf{Исходные данные для кластеризац
 
 \subsection*{\textbf{Обработка исходных профилей пользователей}}
 
-Далее каждый профиль пользователя преобразовывался таким образом, чтобы получить удобные для работы, возможно, сгенерированные признаки.
-Большинство признаков заполнялись на основе данных, полученных из исходных профилей реальных пользователей Вконтакте:
+Далее каждый профиль пользователя преобразовывался в цифровую личность таким образом, чтобы получить удобные для работы, возможно, сгенерированные признаки.
+Большинство параметров цифровой личности заполнялись на основе данных, полученных из исходных профилей реальных пользователей Вконтакте:
 
 \begin{enumerate}
 	\item пол, наличие детей, наличие гражданства (на основе указанной страны), образование, политические взгляды, отношение к курению, отношение к алкоголю;
 	\item возраст определялся по указанной дате рождения, указанному времени обучения в школе, либо, в случае если он не указан, случайно, соответственно распределению возрастов других пользователей;
 	\item уровень дохода определялся с помощью эвристики, учитывающей возраст, наличие образования, наличие места работы;
 	\item наличие и вид транспорта определялись с помощью эвристики, учитывающей возраст, уровень дохода, наличие образования.
-	\item наличие инвалидности и инвалидной коляски определялось случайным образом (вероятность инвалидности~---~0.5%, наличие коляски только при инвалидности с вероятностью 90%).
+	\item наличие инвалидности и инвалидной коляски определялось случайным образом (вероятность инвалидности~---~0.5\%, наличие коляски только при инвалидности с вероятностью 90\%).
 \end{enumerate}
 
-Полученным после обработки профили пользователей были присвоены номера id от 1 до 16133, номера профилей пользователей были добавлены в поле vk id. 
+Полученным после обработки профили пользователей были присвоены идентификаторы от 1 до 16133, номера профилей пользователей были добавлены в поле vk\_id. 
 В листинге~\ref{lst:vk_parsed} представлен пример обработанного профиля пользователя Вконтакте:
 
 \inputminted[frame=lines, linenos, breaklines]{js}{../src/vk_parsed.json}
@@ -47,7 +47,7 @@ \subsection*{\textbf{Обработка исходных профилей пол
 \section{Кластерный анализ цифровых личностей жителей умного города}
 
 Кластеризация (кластерный анализ)~---~типичная задача статистического анализа данных: задача обнаружения и разбиения множества объектов одной природы на группы, 
-называемые кластерами, так, чтобы объекты одной группы обладали похожим свойством. 
+называемые кластерами, так, чтобы объекты одной группы обладали похожим свойством \cite{duran1977, oldenderfer1989}. 
 Под ``свойством'' понимается близость объектов друг к другу относительно выбранной метрики.
 
 Цели кластеризации:
@@ -65,17 +65,17 @@ \section{Кластерный анализ цифровых личностей 
 которое попросту является геометрическим расстоянием в многомерном пространстве.
 
 В качестве метода кластерного анализа было решено использовать метод К-средних, реализованный в библиотеке scikit-learn\footnote{https://scikit-learn.org/}, 
-в которой реализовано большое количество алгоритмов машинного обучения.
+в которой реализовано большое количество алгоритмов машинного обучения \cite{pedregosa2011scikit}.
 По сравнению с другими методами метод К-средних является хорошо изученным, имеет приближение, 
 позволяющее обрабатывать огромное количество примеров (48399 контекстов оказались проблемой для, например, агломеративной кластеризации), 
-а также позволяет контролировать количество кластеров.
+а также позволяет контролировать количество кластеров \cite{macqueen1967some}.
 
 Кластеризация методом K-средних начинается с выбора k случайно расположенных центроидов (точек, представляющих центр кластера). 
 Каждому элементу назначается ближайший центроид, евклидово расстояние до которого минимально. 
 После того как назначение выполнено, каждый центроид перемещается в точку, рассчитываемую как среднее по всем приписанным к нему элементам. 
 Затем назначение выполняется снова. Эта процедура повторяется до тех пор, пока назначения не прекратят изменяться.
 
-Существует модификация данного метода под названием Mini-Batch k-Means\footnote{https://www.eecs.tufts.edu/~dsculley/papers/fastkmeans.pdf}.
+Существует модификация данного метода под названием Mini-Batch k-Means \cite{sculley2010web}.
 Основная идея данной модификации заключается в том, что на каждой итерации вместо полного прохода по данным мы работаем с мини-батчами~---~небольшими подмножествами данных. 
 Чтобы уменьшить влияние шума, создаваемого таким образом, на втором этапе положения кластера заменяются на , где  предыдущее положение кластера,~---~центроид точек кластера 
 (то, на что заменяется положение кластера в оригинальном алгоритме), а  обратно пропорционально количеству точек, которое участвовало в вычислении центроидов для данного кластера.
diff --git a/tex/40-service_analysis.tex b/tex/40-service_analysis.tex
index 39ba986f8cf9f9dc1f5ed9caf780497af89664e0..a942b4099576bb974667222f7489259a06df50d5 100644
--- a/tex/40-service_analysis.tex
+++ b/tex/40-service_analysis.tex
@@ -94,7 +94,7 @@ \section{Рекомендация сервисов на основе колла
 Поскольку многообразие жизненных ситуаций и, соответственно, сервисов предоставления информации и услуг крайне велико, 
 поиск является крайне важным компонентом системы поддержки мобильности. 
 Решить данную задачу позволяет применение персональной информации жителей, отражающей их предпочтения, характеристики, динамический контекст и т. д. 
-Персональная информация вносится пользователями вручную, считывается из социальных сетей, а также передается персональными устройствами. 
+Персональная информация вносится пользователями вручную в профии социальных сетей, откуда может быть считана с согласия пльзователя, а также накапливаться и передается персональными устройствами \cite{Zhou2018}. 
 Вместе с использованием запросом на естественном языке, уточняющим потребность пользователя, реализуется удобная в использовании и высокоточная система поиска. 
 Результатом поиска является непосредственно ответ на поставленный пользователем вопрос, список возможных ответов (из разных сервисов) 
 или список сервисов, с которыми может быть продолжено взаимодействие.
@@ -120,7 +120,7 @@ \subsection{Поиск по контенту (рекомендация серв
 
 Пользователь заходит в систему, чтобы удовлетворить некоторую потребность. Для начала опишем модель потребностей, которую заложим в систему.
 
-Можно использовать пирамиду Маслоу для категоризации потребностей верхнего уровня по запросам пользователей. 
+Можно использовать пирамиду Маслоу для категоризации потребностей верхнего уровня по запросам пользователей \cite{nain2013nain}. 
 Маслоу разделил потребности человека на уровни, начиная от простых и заканчивая высокими. 
 И определил, что стремление к более высоким потребностям возникает при удовлетворении потребностей более низкого порядка. 
 В работе ``Мотивация и личность'' Маслоу предположил, что все потребности человека врожденные, и что их можно представить в виде иерархической системы из пяти уровней:
@@ -193,7 +193,7 @@ \subsection{Поиск по контенту (рекомендация серв
 Сервисы умного города потребуется описать сущностями, используемыми в модели категоризации запросов пользователя, 
 чтобы понимать, при каких запросах какой сервис использовать. 
 Для реализации алгоритма рекомендации сервисов с указанными ключевыми словами на основе пользовательских запросов на естественном языке 
-можно воспользоваться классификацией этих запросов по ключевым словам сервисов.
+можно воспользоваться классификацией этих запросов по ключевым словам сервисов .
 
 \begin{figure}[htb]
   \centering
@@ -225,7 +225,7 @@ \subsection{Поиск по контексту (рекомендация сер
 В результате, профиль порождает достаточно большое количество свойств, но многие из которых присущи небольшому количеству человек и редко встречаются вместе, например, конкретный ВУЗ.
 
 Для реализации поиска ближайших соседей предлагается использование комбинации алгоритмов inverted index\footnote{https://www.geeksforgeeks.org/inverted-index/} 
-и locality-sensitive hashing\footnote{http://tylerneylon.com/a/lsh1/lsh\_post1.pdf}, применяемых к разным группам свойств.
+и locality-sensitive hashing \cite{indyk1998approximate}, применяемых к разным группам свойств.
 Inverted index предполагает формирование наборов элементов, имеющий определенный признак, 
 а искомый набор соседей является объединением наборов, содержащих признаки данного экземпляра. 
 Данный алгоритм применяется для дискретных, разряженных свойств, например, обучение в определенном вузе, определенном направлении, и т. п.
diff --git a/tex/50-implementation.tex b/tex/50-implementation.tex
index eb599bd498a2270d66004c66dbbfce1625a69877..56fbe9ad43edd5a13deac89872608906bdd139e9 100644
--- a/tex/50-implementation.tex
+++ b/tex/50-implementation.tex
@@ -635,8 +635,8 @@ \subsection{Рекомендация сервисов}
 \subsection{Семантический анализ запроса}
 
 Для успешной реализации выполнения пользовательского запроса на естественном языке в сервисах умного города требуется решить задачу семантического анализа запросов пользователя, 
-а именно~---~семантической связность групп токенов из пользовательского запроса на естественном языке и сущностей из онтологии. 
-Субъекты могут быть известны заранее и присутствовать в общих или специализированных базах знаний. 
+а именно~---~семантической связность групп токенов из пользовательского запроса на естественном языке и сущностей из онтологии \cite{ferre2013squall2sparql, pradel2014swip, pradel2013natural, shaik2016transforming}. 
+Субъекты могут быть известны заранее и присутствовать в общих или специализированных базах знаний \cite{unger2014introduction, verfaillie2018question}. 
 Они также могут быть созданы на основе открытых номенклатур и словарей, и их невозможно перечислить заранее.
 
 Рассмотрим алгоритм работы реализованного сервиса по семантическому анализу запроса на естественном языке:
@@ -670,8 +670,8 @@ \subsection{Семантический анализ запроса}
 	\item Добавляем nls на русском без стоп слов.
 \end{enumerate}
 
-В таблице~\ref{tab:wikidata_table} представлены результаты работы алгоритма поиска сущностей Wikidata в запросах на естественном языке.
-В результате была реализована группа алгоритмов по определению сущностей wikidata в запросах на русском языке и определена точность реализованных алгоритмов.
+В таблице~\ref{tab:wikidata_table} представлены результаты работы алгоритма поиска сущностей Wikidata в запросах на естественном языке \cite{hasibi2017dbpedia}.
+В результате была реализована группа алгоритмов по определению сущностей wikidata в запросах на русском языке и определена точность реализованных алгоритмов \cite{diefenbach2017question, kwiatkowski2019natural}.
 
 \begin{center}
 	\begin{longtable}{|p{0.3\textwidth}|c|c|c|c|c|c|c|}
diff --git a/tex/90-appendix1.tex b/tex/90-appendix1.tex
index 92046af5f819df618e27499f069d163cd5baca42..a125f95d8f888347efb1f47e48925dc726af8b56 100644
--- a/tex/90-appendix1.tex
+++ b/tex/90-appendix1.tex
@@ -3,7 +3,7 @@ \chapter{Приложение А. Публикации по результата
 
 К настоящему времени по результатам НИР опубликовано 5 работ в изданиях, индексируемых Web Of Science / SCOPUS. Список работ приведен ниже. Копии первых страниц опубликованных работ приведены в Приложении Б.
 
-l\begin{enumerate}
+\begin{enumerate}
     \item Mikhailov S., Kashevnik A. An Ontology for Service Semantic Interoperability in the Smartphone-Based Tourist Trip Planning System. Proceedings of the 23rd Conference of Open Innovations Association FRUCT, Bologna, 13-16 November 2018. P. 239–245 ISSN: 2305-7254. (Scopus, WoS). DOI: 10.23919/FRUCT.2018.8588027
     \item Petrov M., Kashevnik A. Expert Group Formation for Task Performing: Competence-Based Method and Implementation . Proceedings of the 23rd Conference of Open Innovations Association FRUCT, Bologna, 13-16 November 2018, P. 315–320. ISSN: 2305-7254 (Scopus, WoS). DOI: 10.23919/FRUCT.2018.8588099
     \item Teslya N., Ryabchikov I. Mikhailov S. Forming of Smart City Resident Digital Identity Based On the City Sources Analysis. IEEE BlackSeaCom 2019. IEEE Xplore DL (Scopus)(В печати)
diff --git a/tex/95-appendix6.tex b/tex/95-appendix6.tex
index f66192ec1fb115c8e04861706043191a48fa7c25..47dd515f77ade7b137425aa0bffb48884e3a2725 100644
--- a/tex/95-appendix6.tex
+++ b/tex/95-appendix6.tex
@@ -7,7 +7,7 @@ \chapter{Приложение Е. Подача заявок для привле
 \item Михайлов С.А.~---~Разработка метода формирования туристического набора достопримечательностей на основе открытых источников данных
 \item Петров М.В.~---~Разработка метода подбора персонала в организацию на основе компетенций цифровой личности жителя умного города и требований организации
 \item Рябчиков И.А.~---~Разработка концепции системы детектирования девиантного поведения людей по камерам видеонаблюдения города
-\item Липкин Е.О.~---~
+\item Липкин Е.О.~---~Разработка системы автоматического обнаружения экспертов на основе анализа данных из социальных сетей
 \item Юшков Е.Ю.~---~Проектирование и разработка прототипа системы для сопровождения в аропортах маломобильных пассажирв и людей с ограниченными физическими возможностями
 \end{enumerate}
 
diff --git a/tex/rpz.bib b/tex/rpz.bib
index 74ec1f286256c0929a03dd6ff74a0a2d09544b4d..2757b1cc07ad80934963c0ea55d7f62caed9fed4 100644
--- a/tex/rpz.bib
+++ b/tex/rpz.bib
@@ -273,4 +273,169 @@ url = {https://www.iso.org/standard/57914.html},
 year = {2011}
 }
 
+@article{duran1977,
+  title={Кластерный анализ},
+  author={Дюран, Б and Оделл, П},
+  journal={М.: статистика},
+  volume={128},
+  pages={2},
+  year={1977}
+}
+
+@article{oldenderfer1989,
+  title={Кластерный анализ//Факторный, дискриминантный и кластерный анализ},
+  author={Олдендерфер, МС and Блэшфилд, РК},
+  journal={М.: Финансы и статистика},
+  volume={215},
+  pages={61},
+  year={1989}
+}
+
+@article{pedregosa2011scikit,
+  title={Scikit-learn: Machine learning in Python},
+  author={Pedregosa, Fabian and Varoquaux, Ga{\"e}l and Gramfort, Alexandre and Michel, Vincent and Thirion, Bertrand and Grisel, Olivier and Blondel, Mathieu and Prettenhofer, Peter and Weiss, Ron and Dubourg, Vincent and others},
+  journal={Journal of machine learning research},
+  volume={12},
+  number={Oct},
+  pages={2825--2830},
+  year={2011}
+}
+
+@inproceedings{macqueen1967some,
+  title={Some methods for classification and analysis of multivariate observations},
+  author={MacQueen, James and others},
+  booktitle={Proceedings of the fifth Berkeley symposium on mathematical statistics and probability},
+  volume={1},
+  issue={14},
+  pages={281--297},
+  year={1967},
+  organization={Oakland, CA, USA}
+}
+
+@inproceedings{sculley2010web,
+  title={Web-scale k-means clustering},
+  author={Sculley, David},
+  booktitle={Proceedings of the 19th international conference on World wide web},
+  pages={1177--1178},
+  year={2010},
+  organization={ACM}
+}
+
+@ARTICLE{Zhou2018,
+author={Zhou, X. and Li, D.},
+title={Quantifying multi-dimensional attributes of human activities at various geographic scales based on smartphone tracking},
+journal={International Journal of Health Geographics},
+year={2018},
+volume={17},
+number={1},
+doi={10.1186/s12942-018-0130-3},
+author_keywords={Geographic information systems;  Individual activity tracking;  Location-based step;  Smartphone;  Tile systems},
+document_type={Article},
+source={Scopus},
+}
+
+@inproceedings{indyk1998approximate,
+  title={Approximate nearest neighbors: towards removing the curse of dimensionality},
+  author={Indyk, Piotr and Motwani, Rajeev},
+  booktitle={Proceedings of the thirtieth annual ACM symposium on Theory of computing},
+  pages={604--613},
+  year={1998},
+  organization={ACM}
+}
+
+
+
+@inproceedings{ferre2013squall2sparql,
+title={squall2sparql: a Translator from Controlled English to Full SPARQL 1.1},
+author={Ferr{\'e}, S{\'e}bastien},
+year={2013}
+}
+
+@inproceedings{unger2014introduction,
+title={An introduction to question answering over linked data},
+author={Unger, Christina and Freitas, Andr{\'e} and Cimiano, Philipp},
+booktitle={Reasoning Web International Summer School},
+pages={100--140},
+year={2014},
+organization={Springer}
+}
+@article{verfaillie2018question,
+title={Question Answering over Linked Data: A Feasibility Study},
+author={Verfaillie, Bryan},
+year={2018}
+}
+@techreport{nain2013nain,
+title={Nain's Hierarchy of Needs: An Alternative to Maslow's \& ERG's Hierarchy of Needs},
+author={Nain, Bhavya},
+year={2013},
+institution={University Library of Munich, Germany}
+}
+
+@article{shaik2016transforming,
+title={Transforming natural language query to SPARQL for semantic information retrieval},
+author={Shaik, Sharmela and Kanakam, Prathyusha and Hussain, S Mahaboob and Suryanarayana, D},
+journal={Int. J. Eng. Trends Technol},
+volume={41},
+pages={347--350},
+year={2016}
+}
+
+@inproceedings{hasibi2017dbpedia,
+title={DBpedia-entity v2: a test collection for entity search},
+author={Hasibi, Faegheh and Nikolaev, Fedor and Xiong, Chenyan and Balog, Krisztian and Bratsberg, Svein Erik and Kotov, Alexander and Callan, Jamie},
+booktitle={Proceedings of the 40th International ACM SIGIR Conference on Research and Development in Information Retrieval},
+pages={1265--1268},
+year={2017},
+organization={ACM}
+}
+@inproceedings{diefenbach2017question,
+title={Question answering benchmarks for wikidata},
+author={Diefenbach, Dennis and Tanon, Thomas and Singh, Kamal and Maret, Pierre},
+year={2017}
+}
+@inproceedings{ruseti2015qanswer,
+title={QAnswer-Enhanced Entity Matching for Question Answering over Linked Data.},
+author={Ruseti, Stefan and Mirea, Alexandru and Rebedea, Traian and Trausan-Matu, Stefan},
+booktitle={CLEF (Working Notes)},
+year={2015}
+}
+@article{kwiatkowski2019natural,
+title={Natural questions: a benchmark for question answering research},
+author={Kwiatkowski, Tom and Palomaki, Jennimaria and Redfield, Olivia and Collins, Michael and Parikh, Ankur and Alberti, Chris and Epstein, Danielle and Polosukhin, Illia and Devlin, Jacob and Lee, Kenton and others},
+journal={Transactions of the Association for Computational Linguistics},
+volume={7},
+pages={453--466},
+year={2019},
+publisher={MIT Press}
+}
+@article{ferre2011squall,
+title={SQUALL: a High-Level Language for Querying and Updating the Semantic Web},
+author={Ferr{\'e}, S{\'e}bastien},
+year={2011}
+}
+@inproceedings{pradel2013natural,
+title={Natural language query interpretation into SPARQL using patterns},
+author={Pradel, Camille and Haemmerl{\'e}, Ollivier and Hernandez, Nathalie},
+year={2013}
+}
+@inproceedings{pradel2014swip,
+title={Swip: a natural language to SPARQL interface implemented with SPARQL},
+author={Pradel, Camille and Haemmerl{\'e}, Ollivier and Hernandez, Nathalie},
+booktitle={International Conference on Conceptual Structures},
+pages={260--274},
+year={2014},
+organization={Springer}
+}
+@article{luz2018semantic,
+title={Semantic parsing natural language into sparql: improving target language representation with neural attention},
+author={Luz, Fabiano Ferreira and Finger, Marcelo},
+journal={arXiv preprint arXiv:1803.04329},
+year={2018}
+}
+@article{soru2017sparql,
+title={SPARQL as a Foreign Language},
+author={Soru, Tommaso and Marx, Edgard and Moussallem, Diego and Publio, Gustavo and Valdestilhas, Andr{\'e} and Esteves, Diego and Neto, Ciro Baron},
+journal={arXiv preprint arXiv:1708.07624},
+year={2017}
+}