機器閱讀理解旨在使機器像人類一樣閱讀文本,能夠通過對文本的深入理解回答一系列相關(guān)問題。閱讀理解近幾年受到了學術(shù)界和企業(yè)界的廣泛關(guān)注,已成為人工智能及NLP領(lǐng)域的一個研究熱點。目前大部分研究針對的問題對應的答案都比較簡短,而具有長答案的描述類問題在現(xiàn)實生活中廣泛存在,因此有必要對該類問題進行研究。由于描述類問題語義概括程度高,答案一般由多句話組成,具有篇章性特點,所以加強問題和篇章的理解對回答該類問題尤為重要。本文的主要工作如下:（1）嘗試了基于問題理解的解答策略。本文通過識別問題類型、問題主題和問題焦點這三種信息來加強模型對問題的理解�；趩栴}理解的解答策略的主要思想為:首先,通過卷積神經(jīng)網(wǎng)絡和關(guān)鍵詞識別問題類型;其次,通過句法分析獲取問題主題和焦點;最后將這些信息融入到答題模型中。在相關(guān)數(shù)據(jù)集上進行實驗,結(jié)果顯示:融入問題理解的答題模型相比baselines結(jié)果提高了2%-10%。（2）研究了基于篇章表示的解答策略。我們采用層級編碼方式對篇章進行表示,首先分別用長短期記憶網(wǎng)絡和卷積神經(jīng)網(wǎng)絡對詞序列進行編碼得到句子表示;繼而再將句子表示輸入到雙向LSTM網(wǎng)絡中得到篇章表示;然后,將獲得... 

【文章來源】：山西大學山西省

【文章頁數(shù)】：58 頁

【學位級別】：碩士

【部分圖文】：

問題類型識別模型

問題主題與焦點識別

圖 3.3 Compare 類問題主題識別時采用哈爾濱工業(yè)大學的 LTP③（Language Technolog。LTP 多次在國內(nèi)外技術(shù)評測中獲得優(yōu)異成績，特別語義分析聯(lián)合評測的第一名。依存句法分析主要通過

【參考文獻】：
期刊論文
[1]A Pipeline Approach to Free-Description Question Answering in Chinese Gaokao Reading Comprehension[J]. TAN Hongye,ZHAO Honghong,LI Ru,LIU Bei.  Chinese Journal of Electronics. 2019(01)
[2]D-Reader:一種以全文預測的閱讀理解模型[J]. 賴郁婷,曾俋穎,林柏誠,蕭瑞辰,邵志杰.  中文信息學報. 2018(11)
[3]基于多篇章多答案的閱讀理解系統(tǒng)[J]. 劉家驊,韋琬,陳灝,杜彥濤.  中文信息學報. 2018(11)
[4]T-Reader:一種基于自注意力機制的多任務深度閱讀理解模型[J]. 鄭玉昆,李丹,范臻,劉奕群,張敏,馬少平.  中文信息學報. 2018(11)
[5]一種基于數(shù)據(jù)重構(gòu)和富特征的神經(jīng)網(wǎng)絡機器閱讀理解模型[J]. 尹伊淳,張銘.  中文信息學報. 2018(11)
[6]基于BiDAF多文檔重排序的閱讀理解模型[J]. 楊志明,時迎成,王泳,潘昊杰,毛金濤.  中文信息學報. 2018(11)
[7]N-Reader:基于雙層Self-attention的機器閱讀理解模型[J]. 梁小波,任飛亮,劉永康,潘凌峰,侯依寧,張熠,李妍.  中文信息學報. 2018(10)
[8]2018機器閱讀理解技術(shù)競賽總體報告[J]. 劉凱,劉璐,劉璟,呂雅娟,佘俏俏,張倩,時迎超.  中文信息學報. 2018(10)
[9]中文篇章關(guān)系任務分析及語料標注[J]. 張牧宇,秦兵,劉挺.  智能計算機與應用. 2016(05)
[10]中文篇章級句間語義關(guān)系體系及標注[J]. 張牧宇,秦兵,劉挺.  中文信息學報. 2014(02)

博士論文
[1]融入背景知識的篇章語義分析方法研究[D]. 張牧宇.哈爾濱工業(yè)大學 2016
[2]漢語篇章結(jié)構(gòu)表示體系及資源構(gòu)建研究[D]. 李艷翠.蘇州大學 2015



本文編號：3352124