隨著大規(guī)模知識圖譜的構建,基于知識圖譜的自動問答成為自然語言處理領域的研究熱點。該任務旨在用知識圖譜中的三元組回答用戶問題,使用戶能夠高效、準確地獲取知識。然而,知識圖譜問答由于知識圖譜規(guī)模龐大、問題和答案數(shù)據(jù)異構而存在挑戰(zhàn)。目前大量工作關注于分段式建模問題與三元組的局部匹配,從而進行答案選擇。然而這樣忽略了不同匹配子任務之間的關聯(lián),容易帶來誤差傳播問題。此外,由于缺乏大規(guī)模無偏標注數(shù)據(jù),模型遇到低頻或者未登錄關系時效果容易變差。因此,本文利用深度學習方法進行模型改進,利用外部數(shù)據(jù)和逆任務進行模型提升。本文主要工作包括如下幾個方面:·基于序列標注模型的子圖檢索 利用整個知識圖譜作為候選答案是不切實際的,因此需要檢索出與問題相關的子圖,減小模型的搜索空間。本文首先構建了基于Bi-LSTM的序列標注模型識別問題的主題實體,接著設計了啟發(fā)式算法進行主題實體和知識圖譜中候選實體的匹配,該算法結合了融入先驗知識的擴展匹配和基于Jaccard的模糊匹配,旨在修改該階段的誤差,從而擴大實體召回,產(chǎn)生高質(zhì)量的候選答案集合�！せ诙嗳蝿諏W習的候選重排模型 在候選答案重排階段,本文針對現(xiàn)有的問題答案匹配框... 

【文章來源】：華東師范大學上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：97 頁

【學位級別】：碩士

【部分圖文】：

Elasticsearch可視化界面Kibana


本文編號：3030289