2008年世界智力運(yùn)動(dòng)會(huì)在北京的成功舉行,智力運(yùn)動(dòng)項(xiàng)目隨之在中國(guó)蓬勃發(fā)展。在智力運(yùn)動(dòng)項(xiàng)目中,非完備信息博弈占了很大的比重。廣大人民群眾對(duì)非完備信息博弈智力項(xiàng)目的學(xué)習(xí)熱情高漲。但非完備信息博弈領(lǐng)域各個(gè)競(jìng)技項(xiàng)目規(guī)則繁雜,愛好者眾多而專家少,無(wú)法滿足人民群眾的學(xué)習(xí)與解惑需求。且機(jī)器博弈始終是人工智能技術(shù)的試金石,如今基于人工智能技術(shù)的非完備信息博弈智能決策模型大多為黑盒模型,如何實(shí)現(xiàn)決策可解釋也是博弈決策領(lǐng)域的發(fā)展方向之一。為了能夠滿足非完備信息博弈愛好者的學(xué)習(xí)需求,并推動(dòng)非完備信息博弈智能決策可解釋的發(fā)展,本文提出并實(shí)現(xiàn)了基于非完備信息博弈領(lǐng)域知識(shí)圖譜的自動(dòng)問(wèn)答系統(tǒng),完成的工作可分為以下幾個(gè)部分:1.設(shè)計(jì)并構(gòu)建了非完備信息博弈知識(shí)圖譜。本文在斯坦福大學(xué)醫(yī)學(xué)院提出的領(lǐng)域本體構(gòu)建七步法的基礎(chǔ)上,結(jié)合無(wú)監(jiān)督學(xué)習(xí)算法自動(dòng)挖掘領(lǐng)域?qū)Ｓ行g(shù)語(yǔ),設(shè)計(jì)出本領(lǐng)域的知識(shí)模式定義。本文建立非完備信息博弈領(lǐng)域語(yǔ)料庫(kù),基于BiLSTM-CRF模型提出非完備信息博弈領(lǐng)域命名實(shí)體識(shí)別模型,基于BiLSTM-Attention模型提出非完備信息博弈領(lǐng)域關(guān)系抽取模型,并采用人工審核與規(guī)則審核結(jié)合的方式審核知識(shí),將準(zhǔn)確的知識(shí)以... 

【文章來(lái)源】：南昌大學(xué)江西省 211工程院校

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１語(yǔ)義網(wǎng)絡(luò)組成結(jié)構(gòu)??實(shí)體，也稱作對(duì)象，其具體的定義到目前為止，仍然沒有準(zhǔn)確的答案

的命名實(shí)體識(shí)別系統(tǒng)有ＬａＳＩＥ－ＩＩ｜ｌ３｜ＮｅｔＯｗｌ［１４）等??系統(tǒng)。這些系統(tǒng)均依賴于人工制定的語(yǔ)義和句法規(guī)則來(lái)識(shí)別實(shí)體并往往需要實(shí)??體詞典，當(dāng)詞典內(nèi)容豐富，詳盡時(shí)，基于規(guī)則的系統(tǒng)表現(xiàn)的很好，但是基于特定??領(lǐng)域的規(guī)則，或字典不夠完善時(shí)，則會(huì)使系統(tǒng)的召回率低，可移植性也十分的差。??傳統(tǒng)監(jiān)督學(xué)習(xí)方法。在監(jiān)督學(xué)習(xí)方法中，ＮＥＲ任務(wù)被建模為序列標(biāo)注問(wèn)題。??ＮＥＲ任務(wù)最常使用的是ＢＩＯ標(biāo)注法，其中Ｂ表示實(shí)體的起始位，Ｉ表示實(shí)體的??中間及結(jié)束位，０表示的是相對(duì)應(yīng)的字符不是實(shí)體。如圖２．２，?Ｂ－Ｍ．丨Ｓ表示這個(gè)??字符是麻將的一個(gè)番種的起始位置，Ｉ－ＭＪＳ表示的是這個(gè)字符是麻將的一個(gè)番種??的中間或結(jié)束位置。同上，Ｂ－ＣＡＲＤ，?Ｉ－ＣＡＲＤ表示牌面的起始及中間，結(jié)尾位??置。??１錄｜?一?｜?ｆａ?｜里丨?＇沒丨—?有｜?一?｜條??Ｂ－ＭＪＳ?Ｉ－ＭＪＳ?Ｉ－ＭＪＳ?〇?〇?〇?Ｂ－ＣＡＲＤ?Ｂ－ＣＡＲＤ??圖２．２?ＢＩＯ用法舉例??建模時(shí)，一般將文本作為序列標(biāo)注模型的輸入，ＢＩＯ標(biāo)注為輸出。常用的模??７??

?一般由輸入層，隱藏層，輸出層構(gòu)成，隱藏層的任務(wù)是自動(dòng)進(jìn)行特征提齲深度??學(xué)習(xí)較傳統(tǒng)的機(jī)器學(xué)習(xí)而言，降低了人工定義特征各方面的代價(jià)，而且可以捕捉??到人無(wú)法認(rèn)知的隱性特征。此外，引入多個(gè)隱藏層還可以使神經(jīng)網(wǎng)絡(luò)表達(dá)復(fù)雜的??非線性函數(shù)映射。因此在圖像處理，自然語(yǔ)言處理及語(yǔ)音處理方面都有出色的表??現(xiàn)。??２．３．２循環(huán)神經(jīng)網(wǎng)絡(luò)與長(zhǎng)短期記憶網(wǎng)絡(luò)??循環(huán)神經(jīng)網(wǎng)絡(luò)（Ｒｅｃｕｒｒｅｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，ＲＮＮ），是神經(jīng)網(wǎng)絡(luò)中的一利１，擅??長(zhǎng)對(duì)序列數(shù)據(jù)進(jìn)行建模處理。其結(jié)構(gòu)圖如圖２．３所示。在對(duì)一個(gè)給定序列ｘ?＝??通過(guò)公式＝?／ｄｐＸｔ）更新隱藏層參數(shù)。在ＲＮＮ中，函??數(shù)／一般是ｔａｎｈ。通過(guò)這種方式，ＲＮＮ處理序列元素時(shí)充分考慮了序列中前序狀??態(tài)的元素，其中被稱為記憶，是由前ｔ－１個(gè)元素生成的。在處理第ｔ個(gè)元素??時(shí)，產(chǎn)生ｔ時(shí)刻的記憶，與下一個(gè)元素一起作為處理下一個(gè)元素函數(shù)的輸入。??＜？?？?？???ｔ??ｔ?廠??ｔ??Ｈ??ｒ?■Ｍ＂？｜?Ｕ??Ａ?？?Ａ???ｊ?１??Ｊ??？?？?？??圖２．３循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖??長(zhǎng)ｆｅ期記憶（Ｌｏｎｇ?Ｓｈｏｒｔ－Ｔｅｒｍ?Ｍｅｍｏｒｙ，ＬＳＴＭ）網(wǎng)絡(luò)是ＲＮＮ網(wǎng)絡(luò)的一個(gè)變??形，其結(jié)構(gòu)如圖２．４所示。通過(guò)兩張結(jié)構(gòu)圖，我們可以看出，在ＲＮＮ的隱藏的??９??

【參考文獻(xiàn)】：
期刊論文
[1]Relation Classification via Recurrent Neural Network with Attention and Tensor Layers[J]. Runyan Zhang,Fanrong Meng,Yong Zhou,Bing Liu.  Big Data Mining and Analytics. 2018(03)
[2]深度學(xué)習(xí)算法在問(wèn)句意圖分類中的應(yīng)用研究[J]. 楊志明,王來(lái)奇,王泳.  計(jì)算機(jī)工程與應(yīng)用. 2019(10)
[3]問(wèn)答中的問(wèn)句意圖識(shí)別和約束條件分析[J]. 孫鑫,王厚峰.  中文信息學(xué)報(bào). 2017(06)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)和注意力模型的文本情感分析[J]. 馮興杰,張志偉,史金釧.  計(jì)算機(jī)應(yīng)用研究. 2018(05)
[5]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[6]垂直知識(shí)圖譜的構(gòu)建與應(yīng)用研究[J]. 阮彤,王夢(mèng)婕,王昊奮,胡芳槐.  知識(shí)管理論壇. 2016(03)
[7]基于視覺注意機(jī)制PCNN模型的車牌圖像分割方法[J]. 楊娜,陳后金,陳益強(qiáng).  交通運(yùn)輸系統(tǒng)工程與信息. 2014(03)
[8]中文開放鏈接醫(yī)療數(shù)據(jù)的構(gòu)建[J]. 王昊奮,張金康,程小軍.  中國(guó)數(shù)字醫(yī)學(xué). 2013 (04)
[9]面向主題的垂直搜索引擎系統(tǒng)的研究與實(shí)現(xiàn)[J]. 施佺,王恒山,肖仰華,丁衛(wèi)平.  微電子學(xué)與計(jì)算機(jī). 2011(07)

碩士論文
[1]基于深度學(xué)習(xí)的不完全信息博弈決策的研究與應(yīng)用[D]. 閆天偉.南昌大學(xué) 2019
[2]問(wèn)句分類方法及其在問(wèn)答系統(tǒng)中的應(yīng)用研究[D]. 張倩.鄭州大學(xué) 2018



本文編號(hào)：3368515