隨著計算機科學(xué)技術(shù)與人工智能的快速發(fā)展,類人答題、機器證明等研究方向成為國內(nèi)外研究熱點。計算機的類人答題與自動推理是指計算機系統(tǒng)以數(shù)學(xué)文本作為輸入,通過自然語言處理技術(shù)提取文本中的知識,然后通過知識的推理實現(xiàn)知識的迭代更新過程。實體提取作為自然語言理解的基本任務(wù),在數(shù)學(xué)文本的知識提取中起到了至關(guān)重要的作用,其效果將會直接影響到初等數(shù)學(xué)的題意理解。本文圍繞初等數(shù)學(xué)領(lǐng)域中的實體提取任務(wù)展開相關(guān)研究工作,結(jié)合初等數(shù)學(xué)文本特點與自然語言總體過程,將實體提取任務(wù)分為實體引入與指代消解兩個子任務(wù)�；跀�(shù)學(xué)文本的表述特點,本文將數(shù)學(xué)實體定義為既包含實體類型又包含實體變量的二元組。而數(shù)學(xué)文本中的實體往往并不是這樣完整的二元組,根據(jù)實體元素的缺失類型不同將實體缺失分為實體類型缺失、實體變量缺失與實體二元組缺失三種。對于實體類型缺失,本文構(gòu)建使用基于詞序列的BERT-Bi-LSTM-CRF模型進行命名實體標(biāo)注來將實體所缺失類型進行補全和引入;對于實體二元組缺失,則將其通過數(shù)量詞展開來轉(zhuǎn)換為實體變量缺失問題;對于實體變量缺失,則采用基于映射規(guī)則的方法來確定待引入實體與其他實體的數(shù)量關(guān)系與對應(yīng)關(guān)系,并針對這些... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【部分圖文】：

隱馬爾可夫模型結(jié)構(gòu)

電子科技大學(xué)碩士學(xué)位論文圖2-2最大正向匹配分詞算法（2）最大逆向匹配算法最大逆向匹配算法是最大正向匹配算法的逆向思維，該算法是指從右向左進取maxlen個字符進行匹配，并且在每次無法匹配的時候去掉匹配字符串的第一個字符，然后繼續(xù)進行匹配，直到整個句子被切分開來。（3）最大雙向匹配算法雙向最大匹配算法是最大正向匹配算法與最小正向匹配算法的綜合，該算法將待切分句子分別做最大正向匹配分詞與最小正向匹配分詞，對兩種算法分詞的結(jié)果進行比較，從而確定效果較好的分詞方法。有的學(xué)者在此基礎(chǔ)上也在詞典上做了處理，對詞典根據(jù)詞頻與詞性做了排序來降低時間復(fù)雜度。2.基于統(tǒng)計方法的分詞這種方法是一種無詞典分詞，它的主要思想是：上下文中，相鄰的字同時出現(xiàn)的次數(shù)越多就越可能構(gòu)成一個詞，因此字與字相鄰出現(xiàn)的概率或頻率則代表相鄰的字構(gòu)成詞的可能性[36]。依據(jù)該思想的主要統(tǒng)計模型有：N-gram模型，隱馬爾可夫模型。10

第二章相關(guān)理論技術(shù)研究表2-1斯坦福Parser的句子結(jié)構(gòu)部分符號含義句法符號含義NP名詞短語VP動詞短語LCP方位詞短語DNP由“的”構(gòu)成的表示修飾性關(guān)系的短語PP介詞短語ADVP副詞短語PN代詞QP量詞短語ADJP形容詞短語CC連詞......2.3循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetworks，RNN）循環(huán)神經(jīng)網(wǎng)絡(luò)是基于輸入序列中前面的序列會對后面的序列產(chǎn)生影響的特征而構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型。在處理文本時，可以將句子看作有序的詞序列，若將每個詞語作為一個時間點，就可以將在空間上的序列轉(zhuǎn)換為時間上的時間序列[42]。RNN網(wǎng)絡(luò)在隱層節(jié)點之間建立連接，使得“空間”與“時間”相互連接起來。下圖2-3即是循環(huán)神經(jīng)網(wǎng)絡(luò)的原理示意圖：圖2-3RNN原理示意圖如圖即為RNN的原理示意圖，其除了輸入與輸出節(jié)點外，還有一條環(huán)形數(shù)據(jù)流，這一數(shù)據(jù)流將t時刻時間點信息傳遞給t+1時刻時間點。將循環(huán)展開即為一個多層全連接的神經(jīng)網(wǎng)絡(luò)，每層的數(shù)據(jù)是一個時間點，通過這種特殊結(jié)構(gòu)，可以將歷史的信息動態(tài)的保存在每個時間點的模型中，就實現(xiàn)了記憶效果，即是當(dāng)前時13

【參考文獻】：
期刊論文
[1]基于深度學(xué)習(xí)的領(lǐng)域問答系統(tǒng)的設(shè)計與實現(xiàn)[J]. 胡婕,陶宏才.  成都信息工程大學(xué)學(xué)報. 2019(03)
[2]話語實體的引入-追蹤模式[J]. 王紅旗.  當(dāng)代語言學(xué). 2018(02)
[3]基于CRFs和領(lǐng)域本體的中文微博評價對象抽取研究[J]. 丁晟春,吳婧嬋媛,李霄.  中文信息學(xué)報. 2016(04)
[4]共指消解研究方法綜述[J]. 宋洋,王厚峰.  中文信息學(xué)報. 2015(01)
[5]篇章中指代消解研究綜述[J]. 周炫余,劉娟,盧笑.  武漢大學(xué)學(xué)報(理學(xué)版). 2014(01)
[6]數(shù)學(xué)符號語言與自然語言的關(guān)系探微[J]. 孟艾菊,婁亞敏.  現(xiàn)代語文(語言研究版). 2014(01)
[7]名詞回指選擇的語用分析[J]. 黃利華.  重慶科技學(xué)院學(xué)報(社會科學(xué)版). 2012(19)
[8]漢語回指消解算法推導(dǎo)[J]. 王德亮.  外語教學(xué). 2011(03)
[9]中文分詞技術(shù)及其實現(xiàn)[J]. 付年鈞,彭昌水,王慰.  軟件導(dǎo)刊. 2011(01)
[10]命名實體識別研究進展綜述[J]. 孫鎮(zhèn),王惠臨.  現(xiàn)代圖書情報技術(shù). 2010(06)

碩士論文
[1]融合HMM及歌曲特征標(biāo)簽的混合推薦算法研究[D]. 李春俊.江西師范大學(xué) 2019
[2]基于標(biāo)簽相關(guān)性的文本多標(biāo)簽分類算法的研究[D]. 楊濤.北京工業(yè)大學(xué) 2019
[3]面向通信領(lǐng)域術(shù)語的命名實體識別[D]. 張晨.中國科學(xué)院大學(xué)(中國科學(xué)院人工智能學(xué)院) 2019
[4]初等數(shù)學(xué)問題題意理解方法研究及應(yīng)用[D]. 汪中科.電子科技大學(xué) 2018
[5]初等數(shù)學(xué)應(yīng)用題自動求解關(guān)鍵技術(shù)的研究及其實現(xiàn)[D]. 李銳.電子科技大學(xué) 2018
[6]基于統(tǒng)計NLP技術(shù)的甲骨卜辭的分析研究[D]. 黃勇杰.華東師范大學(xué) 2010



本文編號：3470461