高考作為步入高等教育的最后一道關(guān)口,是進行人生規(guī)劃的重要轉(zhuǎn)折,因此高考志愿的選取至關(guān)重要。在考生填報高考志愿前,應(yīng)該對各個學(xué)校及專業(yè)等信息有一定的了解,避免盲目選擇,給未來大學(xué)學(xué)習(xí)和生活帶來困擾。在信息爆炸性增長的今天,如何快速、準(zhǔn)確地在海量信息中獲取有用的學(xué)校、專業(yè)等信息逐漸演變成一個更加重要的課題。近年來,人工智能飛速發(fā)展,取得了突破性的成就,愈加引起了人們的關(guān)注與重視。人工智能的一個重要分支是問答系統(tǒng)。問答系統(tǒng)集自然語言處理技術(shù)于一體,是一種更人性、更高效的信息檢索技術(shù),具有很大的發(fā)展空間。本文是面向高考志愿的問答技術(shù)研究,由于較少人在該領(lǐng)域做問答技術(shù)相關(guān)研究,所以本論文的研究對以后該領(lǐng)域問答系統(tǒng)構(gòu)建有一定的現(xiàn)實價值及意義。本文是基于信息檢索的面向高考志愿的問答系統(tǒng)技術(shù)研究,主要針對問題分析和答案抽取兩個部分內(nèi)容進行研究。論文首先通過爬蟲技術(shù)從各大高考網(wǎng)絡(luò)平臺、高考應(yīng)用APP平臺和百度知道等收集高考志愿相關(guān)問答對數(shù)據(jù),并利用MySQL數(shù)據(jù)庫進行數(shù)據(jù)儲存。其次,針對爬蟲獲得的問答對數(shù)據(jù)集進行預(yù)處理、人工分類,為之后的問答技術(shù)研究實驗所需數(shù)據(jù)做準(zhǔn)備。本文研究時,主要應(yīng)用了深度學(xué)習(xí)以及...

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.2Word2Vec神經(jīng)網(wǎng)絡(luò)架構(gòu)

圖2.2Word2Vec神經(jīng)網(wǎng)絡(luò)架構(gòu)設(shè)輸入語料為C,詞向量為m，從中逐個遍歷每個詞w，設(shè)n為的上下文長度，則Contex（t）就取前面的n1個詞，這樣一個二元對（Contex（t），）就構(gòu)成了一個訓(xùn)練樣本。語料，給定詞向量為m，則輸出層有....

圖2.5CNN模型結(jié)構(gòu)圖

Skip-Gram的目標(biāo)函數(shù)如下所示：(,)max(log(|ontext()))SkipGramwCwcDLpwCw(2-13)本文采用Word2Vec中的CBOW模型來訓(xùn)練詞向量。二、CNN模型介紹卷積神經(jīng)網(wǎng)絡(luò)剛開始時就....

圖2.6卷積神經(jīng)網(wǎng)絡(luò)基本流程圖

面向高考志愿問題分類層處理后得到很多個一維向量。假設(shè)有m個filter，那么在一層卷積、一層池化后可以得到一個長度mzR:12[,,...,]mzccc全連接層:圖2.5中最后部分為全連接層，全連接層通過使用Softma到各個分類的概率。....

圖2.7Dropout工作示意圖

面向高考志愿問題分類四、正則化方法Dropout方法[39]（Hinton，2012年）是一種防止神經(jīng)網(wǎng)絡(luò)模型出現(xiàn)過擬合的正則化技術(shù)。為了防止過擬合，訓(xùn)練過程中在倒數(shù)第二層使用dropout技術(shù)，它將隨機丟棄隱含層的某些節(jié)點使其不工作。Dropout的工作原理，如圖....

本文編號：3923228