知識庫問答是利用知識庫中的結(jié)構(gòu)化知識,對自然語言問題給出相應(yīng)答案。近些年如Freebase、DBpedia等大規(guī)模通用知識庫的出現(xiàn),為知識庫問答研究提供了豐富的知識來源,與此同時深度表示學(xué)習(xí)技術(shù)的應(yīng)用也為知識庫問答研究帶來了轉(zhuǎn)折和契機,改善了傳統(tǒng)知識庫問答方法過多依賴語義學(xué)知識,以及人工進行規(guī)則構(gòu)建等問題。本文研究便在上述背景之下,采用了一種基于表示學(xué)習(xí)改進傳統(tǒng)信息抽取的答案獲取方法和一種融合了知識表示學(xué)習(xí)的答案獲取方法,進一步提升了知識庫問答中答案獲取的準確率。具體研究內(nèi)容如下:1.表示學(xué)習(xí)改進傳統(tǒng)信息抽取的答案獲取方法。該方法在傳統(tǒng)信息抽取方法的思想基礎(chǔ)上結(jié)合到表示學(xué)習(xí)技術(shù)和動態(tài)記憶網(wǎng)絡(luò)模型完成答案的獲取。首先對問句進行命名實體識別獲取問題中心詞,將中心詞通過實體鏈接到知識庫中對應(yīng)的實體,在知識庫中查詢以該實體為中心的知識庫子圖,將子圖中的實體和關(guān)系作為問題候選答案集。與傳統(tǒng)信息抽取方法不同的是,本文改進后的方法接下來結(jié)合到詞嵌入表示技術(shù)和動態(tài)記憶網(wǎng)絡(luò)模型進行最終答案的確定。通過輸入模塊結(jié)合到詞向量,得到問題及知識庫子圖中知識三元組的特征向量表示;再經(jīng)記憶模塊進行多輪記憶迭代,每輪... 

【文章來源】：昆明理工大學(xué)云南省

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

知識庫簡單示例

BiLSTM-CRF中文命名實體識別模型

圖2-2兩種神經(jīng)網(wǎng)絡(luò)模型

【參考文獻】：
期刊論文
[1]基于LSTM的大規(guī)模知識庫自動問答[J]. 周博通,孫承杰,林磊,劉秉權(quán).  北京大學(xué)學(xué)報(自然科學(xué)版). 2018(02)
[2]基于表示學(xué)習(xí)的知識庫問答研究進展與展望[J]. 劉康,張元哲,紀國良,來斯惟,趙軍.  自動化學(xué)報. 2016(06)
[3]知識表示學(xué)習(xí)研究進展[J]. 劉知遠,孫茂松,林衍凱,謝若冰.  計算機研究與發(fā)展. 2016(02)

碩士論文
[1]基于機器學(xué)習(xí)的內(nèi)網(wǎng)安全管控系統(tǒng)的設(shè)計與實現(xiàn)[D]. 郭太勇.北京郵電大學(xué) 2017



本文編號：3085596