【摘要】：近年來(lái),伴隨著社會(huì)經(jīng)濟(jì)水平的顯著提高,人們的投資熱度也在不斷增大,譬如基金,理財(cái),股票,等投資產(chǎn)品越來(lái)越受消費(fèi)者歡迎。但是每種投資產(chǎn)品包含多種不同的業(yè)務(wù),致使產(chǎn)品和業(yè)務(wù)紛繁雜亂,這就需要投資者在購(gòu)買產(chǎn)品前對(duì)產(chǎn)品有一個(gè)詳盡的了解。但是目前了解產(chǎn)品信息的手段較少,投資者獲取信息的方法通常是與業(yè)務(wù)人員進(jìn)行交流,或者是借助互聯(lián)網(wǎng)中的搜索引擎來(lái)獲取相關(guān)信息。與業(yè)務(wù)人員交流需要預(yù)約時(shí)間等一系列繁瑣操作,不如使用搜索引擎高效便捷。但是搜索引擎的一些缺點(diǎn)也不容忽視,它的范圍廣泛的特性決定它不能面面俱到,只能對(duì)一些基本的問題進(jìn)行解答,并且答案對(duì)錯(cuò)真假難辨,質(zhì)量參差不齊。因此人們需要一個(gè)能夠精確理解用戶意圖,并且返回給用戶一個(gè)正確客觀答案的在線問答系統(tǒng)。傳統(tǒng)的問答系統(tǒng)一般基于機(jī)器學(xué)習(xí)算法來(lái)設(shè)計(jì)實(shí)現(xiàn),這樣的模式有以下三個(gè)缺點(diǎn):第一點(diǎn)是需要由人工生成詞義和語(yǔ)義;第二點(diǎn)是模型的成長(zhǎng)性不足;第三點(diǎn)是在理解用戶語(yǔ)義方面也流于表面,不夠深刻。因此改進(jìn)上述三個(gè)問題,并設(shè)計(jì)實(shí)現(xiàn)出能精確理解用戶意圖的專業(yè)領(lǐng)域問答系統(tǒng),具有重要的意義。本文的主要研究?jī)?nèi)容包括:第一,找到最契合金融問答系統(tǒng)的詞向量模型。為了使詞向量更準(zhǔn)確的表達(dá)詞義,選擇Word2vec中的 CBOW(Continuous Bag-of-Words Model)模型來(lái)訓(xùn)練詞向量,并與其他詞向量表示方法進(jìn)行實(shí)驗(yàn)比較,驗(yàn)證CBOW模型的優(yōu)越性。第二,基于CBOW詞向量模型提出金融問答模型。為了加深對(duì)核心問句的理解,減少冗余,將注意力機(jī)制(Attention)引入模型使得其最終得到的語(yǔ)義理解向量更加具有特征性,為了讓模型可以對(duì)文本的上下文有很好的記憶功能,引入雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Bi-LSTM)。為了整合信息量,保留關(guān)鍵信息,引入最大池化(Max-Pooling),再將這些技術(shù)整合并提出F-B模型。最后進(jìn)行與支持向量機(jī)(Support Vector Machine,SVM),卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)等模型的對(duì)比實(shí)驗(yàn),驗(yàn)證F-B模型對(duì)金融領(lǐng)域的適用性。第三,基于F-B問答模型設(shè)計(jì)實(shí)現(xiàn)出完整的金融問答系統(tǒng)。該系統(tǒng)包含三個(gè)模塊:數(shù)據(jù)處理模塊,問句理解模塊,迭代更新模塊。
【學(xué)位授予單位】：陜西師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP18;F831;TP391.3
【圖文】：

Ｗｏｒｄ２ｖｅｃ［２３］將詞轉(zhuǎn)變?yōu)橛?jì)算機(jī)可識(shí)別的低維數(shù)學(xué)向量，如［０．２４１，邋０．７５６，逡逑０．５６３，邋０．３１９…］。如果語(yǔ)義相近的詞映射在相同坐標(biāo)系下，那么他們之間的距離逡逑也更加接近。如圖２－１所示：逡逑中國(guó)逡逑我國(guó)逡逑國(guó)內(nèi)逡逑陜西師范大竽逡逑３匕京師范大字逡逑甬京師范大字逡逑圖２－１邋Ｗｏｒｄ２ｖｅｃ平面效果圖逡逑Ｆｉｇ．２－１邋Ｐｌａｎ邋ｅｆｆｅｃｔ邋ｏｆ邋ｗｏｒｄ２ｖｅｃ逡逑利用ｗ0ｒｄ２ｖｅＣ［２４］訓(xùn)練得到的詞向量，體現(xiàn)了詞與詞之間的相關(guān)性，從而提升逡逑了向量在語(yǔ)義層面上準(zhǔn)確度，非常貼合問答系統(tǒng)的特點(diǎn)，利用＼ｖｏｒｄ２ｖｅｃ訓(xùn)練效果逡逑如圖２－２所示，當(dāng)輸入諾基亞時(shí)，可以找到與其語(yǔ)義相接近的詞，例如微軟，華逡逑為等。ｗ0ｒｄ２ＶｅＣ算法｜２５］是通過移除神經(jīng)概率語(yǔ)言模型的隱含層來(lái)簡(jiǎn)化模型，它提逡逑出了兩種模型訓(xùn)練方法，ＣＢＯＷ１２６］（Ｃｏｎｔｉｎｕｏｕｓ邋Ｂａｇ－ｏｆ－Ｗｏｒｄｓ邋Ｍｏｄｅｌ，邋ＣＢＯＷ）和逡逑ｓｋｉｐ－ｇｒａｍ邋模型（Ｃｏｎｉｎｕｏｕｓ邋Ｓｋｉｐ－ｇｒａｍ邋Ｍｏｄｅｌ，邋Ｓｋｉｐ－ｇｒａｍ）。ＣＢＯＷ邋是通過中心詞的逡逑上下文語(yǔ)境詞的詞向量來(lái)預(yù)測(cè)中心詞的概率｜２７］。例如“西安是歷史悠久的城逡逑市”來(lái)得出“一個(gè)”。就可以推測(cè)出目標(biāo)詞西安

Ｗｏｒｄ２ｖｅｃ［２３］將詞轉(zhuǎn)變?yōu)橛?jì)算機(jī)可識(shí)別的低維數(shù)學(xué)向量，如［０．２４１，邋０．７５６，逡逑０．５６３，邋０．３１９…］。如果語(yǔ)義相近的詞映射在相同坐標(biāo)系下，那么他們之間的距離逡逑也更加接近。如圖２－１所示：逡逑中國(guó)逡逑我國(guó)逡逑國(guó)內(nèi)逡逑陜西師范大竽逡逑３匕京師范大字逡逑甬京師范大字逡逑圖２－１邋Ｗｏｒｄ２ｖｅｃ平面效果圖逡逑Ｆｉｇ．２－１邋Ｐｌａｎ邋ｅｆｆｅｃｔ邋ｏｆ邋ｗｏｒｄ２ｖｅｃ逡逑利用ｗ0ｒｄ２ｖｅＣ［２４］訓(xùn)練得到的詞向量，體現(xiàn)了詞與詞之間的相關(guān)性，從而提升逡逑了向量在語(yǔ)義層面上準(zhǔn)確度，非常貼合問答系統(tǒng)的特點(diǎn)，利用＼ｖｏｒｄ２ｖｅｃ訓(xùn)練效果逡逑如圖２－２所示，當(dāng)輸入諾基亞時(shí)，可以找到與其語(yǔ)義相接近的詞，例如微軟，華逡逑為等。ｗ0ｒｄ２ＶｅＣ算法｜２５］是通過移除神經(jīng)概率語(yǔ)言模型的隱含層來(lái)簡(jiǎn)化模型，它提逡逑出了兩種模型訓(xùn)練方法，ＣＢＯＷ１２６］（Ｃｏｎｔｉｎｕｏｕｓ邋Ｂａｇ－ｏｆ－Ｗｏｒｄｓ邋Ｍｏｄｅｌ，邋ＣＢＯＷ）和逡逑ｓｋｉｐ－ｇｒａｍ邋模型（Ｃｏｎｉｎｕｏｕｓ邋Ｓｋｉｐ－ｇｒａｍ邋Ｍｏｄｅｌ，邋Ｓｋｉｐ－ｇｒａｍ）。ＣＢＯＷ邋是通過中心詞的逡逑上下文語(yǔ)境詞的詞向量來(lái)預(yù)測(cè)中心詞的概率｜２７］。例如“西安是歷史悠久的城逡逑市”來(lái)得出“一個(gè)”。就可以推測(cè)出目標(biāo)詞西安

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 熊富林;鄧怡豪;唐曉晟;;Word2vec的核心架構(gòu)及其應(yīng)用[J];南京師范大學(xué)學(xué)報(bào)(工程技術(shù)版);2015年01期

2 奉國(guó)和;鄭偉;;國(guó)內(nèi)中文自動(dòng)分詞技術(shù)研究綜述[J];圖書情報(bào)工作;2011年02期

3 蔣昌金;彭宏;馬千里;林正春;王成;;受限領(lǐng)域中文問答系統(tǒng)問句分析研究[J];計(jì)算機(jī)工程與設(shè)計(jì);2010年11期

4 孫鐵利;劉延吉;;中文分詞技術(shù)的研究現(xiàn)狀與困難[J];信息技術(shù);2009年07期

5 余正濤,樊孝忠,康海燕;基于自然語(yǔ)言理解的受限領(lǐng)域自動(dòng)應(yīng)答系統(tǒng)[J];計(jì)算機(jī)工程;2004年18期

6 鄭實(shí)福,劉挺,秦兵,李生;自動(dòng)問答綜述[J];中文信息學(xué)報(bào);2002年06期

7 駱正清,陳增武,胡上序;一種改進(jìn)的MM分詞方法的算法設(shè)計(jì)[J];中文信息學(xué)報(bào);1996年03期

8 楊思春;陳家駿;;中文自動(dòng)問答中旬子相似度計(jì)算研究[J];情報(bào)學(xué)報(bào);2008年01期

相關(guān)碩士學(xué)位論文 前2條

1 王銀麗;限定領(lǐng)域內(nèi)智能問答系統(tǒng)的研究與實(shí)現(xiàn)[D];內(nèi)蒙古大學(xué);2008年

2 湯賽麗;常識(shí)知識(shí)問答系統(tǒng)中知識(shí)庫(kù)構(gòu)建的研究與設(shè)計(jì)[D];河南大學(xué);2005年

本文編號(hào)：2721325