車(chē)主以往總是借助搜索引擎對(duì)汽車(chē)故障進(jìn)行初判,然而搜索引擎通常難以準(zhǔn)確定位用戶(hù)信息需求,導(dǎo)致檢索結(jié)果不佳。鑒于此,一些專(zhuān)業(yè)的汽車(chē)門(mén)戶(hù)網(wǎng)站相繼推出問(wèn)答社區(qū),車(chē)主可以通過(guò)向其他用戶(hù)提問(wèn)獲取汽車(chē)故障的相關(guān)知識(shí),自主完成汽車(chē)故障的初判,在滿(mǎn)足用戶(hù)特定信息需求的同時(shí)增強(qiáng)了用戶(hù)間的互動(dòng)性。隨著問(wèn)答知識(shí)的不斷積累,如何有效整合信息資源,利用智能技術(shù),快速、高效、準(zhǔn)確地為用戶(hù)提供高質(zhì)量的汽車(chē)故障問(wèn)答信息成為當(dāng)務(wù)之急。針對(duì)上述現(xiàn)狀,本文研究了汽車(chē)故障問(wèn)答庫(kù)智能管理系統(tǒng)設(shè)計(jì)架構(gòu),并且針對(duì)系統(tǒng)中汽車(chē)故障的問(wèn)題分類(lèi)與答案質(zhì)量預(yù)測(cè)兩個(gè)關(guān)鍵任務(wù)進(jìn)行相應(yīng)算法的研究,具體工作內(nèi)容如下:（1）收集、處理并分析汽車(chē)故障領(lǐng)域的相關(guān)問(wèn)答數(shù)據(jù),根據(jù)汽車(chē)故障問(wèn)答對(duì)數(shù)據(jù)的特點(diǎn)以及系統(tǒng)所需功能,設(shè)計(jì)了面向問(wèn)答社區(qū)的汽車(chē)故障問(wèn)答庫(kù)智能管理系統(tǒng)框架,有效整合了汽車(chē)故障問(wèn)答資源。（2）針對(duì)汽車(chē)故障問(wèn)題文本特征稀疏、語(yǔ)義信息不全等問(wèn)題,提出基于問(wèn)題-答案語(yǔ)義共現(xiàn)的汽車(chē)故障問(wèn)題分類(lèi)方法。利用詞嵌入模型,將問(wèn)題文本與答案文本中語(yǔ)義相似的詞作為共現(xiàn)詞,并利用注意力機(jī)制聚焦問(wèn)題文本中的共現(xiàn)詞特征,有效提高了問(wèn)題分類(lèi)的精度。（3）針對(duì)目前答案質(zhì)量預(yù)測(cè)方... 

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 問(wèn)題分類(lèi)研究現(xiàn)狀
        1.2.2 答案質(zhì)量預(yù)測(cè)研究現(xiàn)狀
    1.3 研究工作
    1.4 論文組織結(jié)構(gòu)
第2章 相關(guān)理論方法
    2.1 文本表示
        2.1.1 向量空間模型
        2.1.2 詞嵌入模型
    2.2 深度學(xué)習(xí)模型
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.2 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)
        2.2.3 注意力機(jī)制
    2.3 性能評(píng)估指標(biāo)
    2.4 本章小結(jié)
第3章 汽車(chē)故障問(wèn)答庫(kù)智能管理系統(tǒng)框架
    3.1 汽車(chē)故障問(wèn)答庫(kù)智能管理系統(tǒng)框架設(shè)計(jì)
        3.1.1 系統(tǒng)架構(gòu)設(shè)計(jì)
        3.1.2 系統(tǒng)模塊設(shè)計(jì)
        3.1.3 系統(tǒng)流程設(shè)計(jì)
    3.2 汽車(chē)故障問(wèn)答文本數(shù)據(jù)集構(gòu)建
        3.2.1 數(shù)據(jù)獲取
        3.2.2 數(shù)據(jù)處理
        3.2.3 數(shù)據(jù)標(biāo)注
    3.3 汽車(chē)故障問(wèn)答庫(kù)智能管理系統(tǒng)關(guān)鍵任務(wù)
        3.3.1 汽車(chē)故障問(wèn)題分類(lèi)
        3.3.2 汽車(chē)故障答案質(zhì)量預(yù)測(cè)
    3.4 本章小結(jié)
第4章 基于語(yǔ)義共現(xiàn)與注意力網(wǎng)絡(luò)的汽車(chē)故障問(wèn)題分類(lèi)方法
    4.1 問(wèn)題分析
    4.2 基于語(yǔ)義共現(xiàn)與注意力網(wǎng)絡(luò)的問(wèn)題分類(lèi)模型架構(gòu)
        4.2.1 基于共現(xiàn)詞注意力的問(wèn)題文本表示層
        4.2.2 單通道卷積層與長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)層
        4.2.3 詞級(jí)注意力層
    4.3 實(shí)驗(yàn)設(shè)計(jì)與分析
        4.3.1 實(shí)驗(yàn)設(shè)置
        4.3.2 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
第5章 基于問(wèn)題-答案聯(lián)合學(xué)習(xí)的汽車(chē)故障答案質(zhì)量預(yù)測(cè)方法
    5.1 問(wèn)題分析
    5.2 基于問(wèn)題-答案聯(lián)合學(xué)習(xí)的答案質(zhì)量預(yù)測(cè)模型架構(gòu)
        5.2.1 問(wèn)答文本聯(lián)合表示層
        5.2.2 基于問(wèn)答文本聯(lián)合表示的并行卷積層
        5.2.3 并行長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)層與輸出層
    5.3 特征構(gòu)建與選擇
    5.4 實(shí)驗(yàn)設(shè)計(jì)與分析
        5.4.1 實(shí)驗(yàn)設(shè)置
        5.4.2 實(shí)驗(yàn)結(jié)果與分析
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 研究工作總結(jié)
    6.2 未來(lái)工作展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間參加的科研項(xiàng)目和成果


【參考文獻(xiàn)】：
期刊論文
[1]基于標(biāo)簽語(yǔ)義注意力的多標(biāo)簽文本分類(lèi)[J]. 肖琳,陳博理,黃鑫,劉華鋒,景麗萍,于劍.  軟件學(xué)報(bào). 2020(04)
[2]基于雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的改進(jìn)注意力短文本分類(lèi)方法[J]. 陶志勇,李小兵,劉影,劉曉芳.  數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn). 2019(12)
[3]基于短語(yǔ)注意機(jī)制的文本分類(lèi)[J]. 江偉,金忠.  中文信息學(xué)報(bào). 2018(02)
[4]基于語(yǔ)義擴(kuò)展與注意力網(wǎng)絡(luò)的問(wèn)題細(xì)粒度分類(lèi)[J]. 謝雨飛,呂釗.  計(jì)算機(jī)工程. 2019(01)
[5]中文問(wèn)答社區(qū)答案質(zhì)量的評(píng)價(jià)研究:以知乎為例[J]. 王偉,冀宇強(qiáng),王洪偉,鄭麗娟.  圖書(shū)情報(bào)工作. 2017(22)
[6]基于雙語(yǔ)信息的問(wèn)題分類(lèi)方法研究[J]. 徐健,張棟,李壽山,王紅玲.  中文信息學(xué)報(bào). 2017(05)
[7]基于Web的問(wèn)答系統(tǒng)綜述[J]. 李舟軍,李水華.  計(jì)算機(jī)科學(xué). 2017(06)
[8]基于用戶(hù)回答順序的社區(qū)問(wèn)答答案質(zhì)量預(yù)測(cè)研究[J]. 徐安瀅,吉宗誠(chéng),王斌.  中文信息學(xué)報(bào). 2017(02)
[9]基于問(wèn)題與答案聯(lián)合表示學(xué)習(xí)的半監(jiān)督問(wèn)題分類(lèi)方法[J]. 張棟,李壽山,王晶晶.  中文信息學(xué)報(bào). 2017(01)
[10]面向問(wèn)答社區(qū)的中文問(wèn)題分類(lèi)[J]. 董才正,劉柏嵩.  計(jì)算機(jī)應(yīng)用. 2016(04)

碩士論文
[1]支持汽車(chē)維修自動(dòng)問(wèn)答的案例匹配方法研究[D]. 張強(qiáng).電子科技大學(xué) 2019
[2]社區(qū)問(wèn)答系統(tǒng)中答案排序和問(wèn)題檢索算法研究與應(yīng)用[D]. 張力.中國(guó)科學(xué)技術(shù)大學(xué) 2018



本文編號(hào)：3722359