隨著計(jì)算機(jī)技術(shù)的發(fā)展及互聯(lián)網(wǎng)的繁榮,信息資源日漸豐富,大量數(shù)據(jù)以文本的方式存在于互聯(lián)網(wǎng)中,為人們生活帶來了極大的便利。如何快速篩選獲取有價(jià)值的信息成為當(dāng)前所面臨的難題。傳統(tǒng)的問答系統(tǒng)可以利用現(xiàn)有的知識(shí)存儲(chǔ)幫助用戶獲取信息,但是無法準(zhǔn)確定位用戶意圖,實(shí)現(xiàn)快速高效的交互需求。相比之下,智能問答系統(tǒng)能夠以一問一答的自然語言形式,挖掘潛在語義信息,快速高效的滿足用戶的信息需求。本文研究中文問答系統(tǒng)中的答案選擇任務(wù),任務(wù)描述如下:給定一個(gè)問題q及其對(duì)應(yīng)的候選答案集,目標(biāo)是從候選答案集中找出與問題最為匹配的答案。其中,問題與答案句子的長(zhǎng)度并不固定,并且一個(gè)問題可對(duì)應(yīng)于多個(gè)正確答案。該任務(wù)的本質(zhì)為計(jì)算問題語句與答案語句之間的語義相似度。近年來,深度學(xué)習(xí)已經(jīng)廣泛應(yīng)用于自然語言處理領(lǐng)域,相比于傳統(tǒng)的機(jī)器學(xué)習(xí),其無需依賴于手工提取特征、語言工具或外部知識(shí)。因此,本文基于深度學(xué)習(xí)研究問題回答技術(shù)。本論文中的基本答案選擇模型為:基于注意力機(jī)制的BiLSTM模型。在此模型的基礎(chǔ)上,我們從向量化表示和模型擴(kuò)展兩個(gè)角度分別進(jìn)行了改進(jìn)。首先,面向向量化,我們提出了一種字詞混合向量化方法用于生成問題與答案更為豐富的向量... 

【文章來源】：北方工業(yè)大學(xué)北京市

【文章頁數(shù)】：69 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１?Ｓｋｉｐ－Ｇｒａｍ模式下的語境與目標(biāo)詞匯間映射實(shí)例??訓(xùn)練時(shí)，＼Ｖｏｒｄ２Ｖｅｃ模型除按照上圖所示的方法構(gòu)造訓(xùn)練樣例外，還需要構(gòu)??造隨機(jī)詞匯作為負(fù)樣本

第二章相關(guān)技術(shù)與技術(shù)研究??整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)中沒有反饋過程。具體網(wǎng)絡(luò)如圖２－２所示：??＿??輸入層?隱藏層?輸出層??圖２－２前饋神經(jīng)網(wǎng)絡(luò)??輸入層負(fù)責(zé)整個(gè)網(wǎng)絡(luò)的輸入，無計(jì)算能力；而其他層擁有具備計(jì)算能力的節(jié)??點(diǎn)（計(jì)算單元），有多個(gè)輸入，但僅有一個(gè)輸出。從輸入層到輸出層，可將網(wǎng)絡(luò)分??為第０至第Ｎ層，輸入層和最后的輸出層稱為“可見層”，而中間層稱為“隱??藏層”。其中，計(jì)算單元又稱為“神經(jīng)元”，其結(jié)構(gòu)如圖２－３所示：??輸入１??輸入ｍ?加權(quán)?激活層??圖２－３神經(jīng)元結(jié)構(gòu)??神經(jīng)元對(duì)數(shù)據(jù)的處理可分為兩階段：第一階段：當(dāng)前神經(jīng)元接受來自其他ｍ??個(gè)祌經(jīng)元的輸入，然后與相應(yīng)權(quán)重加權(quán)求和，此階段稱為預(yù)激活階段，具體公式??如（２－１）所示：??８??

第二章相關(guān)技術(shù)與技術(shù)研宄??和池化層。??２．３．１卷積層??卷積層（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｌａｙｅｒ）通過局部感知、參數(shù)共享實(shí)現(xiàn)對(duì)數(shù)據(jù)的降維??處理，并可自動(dòng)完成對(duì)于原始輸入數(shù)據(jù)的特征提取工作。??其設(shè)計(jì)由３個(gè)部分構(gòu)成。??（１）局部連接??當(dāng)處理高維的輸入數(shù)據(jù)時(shí)，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的全連接方式不僅需要耗費(fèi)大量的??訓(xùn)練時(shí)間，而且浪費(fèi)空間資源。而在卷積層中，每個(gè)神經(jīng)元僅需與上一層的部分??神經(jīng)元相連接，即局部連接。以２８ｘ２８的圖像為例，局部連接的工作原理如圖??２－４所示。??２８Ｘ２８圖像??

【參考文獻(xiàn)】：
碩士論文
[1]基于深度學(xué)習(xí)和主題模型的問答系統(tǒng)算法研究[D]. 詹國(guó)輝.華南理工大學(xué) 2018
[2]基于深度學(xué)習(xí)的QA答案選擇算法研究[D]. 王梓良.北京郵電大學(xué) 2018
[3]深度學(xué)習(xí)與多元特征相結(jié)合的答案選擇排序研究[D]. 趙姍姍.哈爾濱工業(yè)大學(xué) 2016
[4]基于淺層語義分析的文本摘要方法研究與實(shí)現(xiàn)[D]. 李寶程.電子科技大學(xué) 2016
[5]基于深度學(xué)習(xí)與主題模型的問句相似度計(jì)算[D]. 周強(qiáng).北京理工大學(xué) 2016
[6]智能問答系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 邢超.北京交通大學(xué) 2015
[7]自動(dòng)問答系統(tǒng)的研究與應(yīng)用[D]. 王肖磊.北京郵電大學(xué) 2015
[8]基于中文自然語言理解的問答系統(tǒng)研究[D]. 孫靖.西安建筑科技大學(xué) 2013



本文編號(hào)：3535240