知識問答社區(qū)為用戶分享和獲取知識提供了一個重要的交互性平臺,用戶可以通過該平臺提交和回答問題。由于社區(qū)中用戶的數(shù)量與日俱增,提問者提出的問題可能幾天以后才獲得答案,回答者對于自己接收到的問題可能并不感興趣。學(xué)者們提出了各種各樣的專家推薦機制來解決這個問題,然而目前的大部分機制推薦的專家都無法及時的回復(fù)用戶提出的問題且推薦結(jié)果的最佳答案覆蓋率偏低。另外,在社區(qū)中一個開放型問題通常會對應(yīng)多個答案,而通過社區(qū)中的內(nèi)部規(guī)則選出的最佳答案往往并不具有完整性,無法全面的解答該問題。隨著深度學(xué)習(xí)技術(shù)已經(jīng)廣泛應(yīng)用于完成自然語言處理領(lǐng)域的文本摘要任務(wù),本文嘗試將該技術(shù)引入到知識問答社區(qū)中,用于答案文本摘要。然而,目前的文本摘要算法仍存在生成的摘要語義不通順及摘要的自我重復(fù)等問題。針對現(xiàn)有的研究工作的不足,本文具體所做的工作如下:(1)我們提出了一種面向知識問答社區(qū)的專家推薦機制,該機制結(jié)合經(jīng)典的深度結(jié)構(gòu)化語義模型(Deep Structured Semantic Models,DSSM),從用戶回答問題的數(shù)量、問題的難度值以及用戶回答問題的平均響應(yīng)時間這3個維度來構(gòu)建隨機轉(zhuǎn)移概率矩陣,提出了主題敏感性回...

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.7CBOW和Skip-gram結(jié)構(gòu)圖

南京郵電大學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文第二章相關(guān)研究工作11在每個時間步，基本的循環(huán)神經(jīng)網(wǎng)絡(luò)RNN都會暴露它所有的隱藏狀態(tài)，這樣會導(dǎo)致舊的輸入的影響很快會被新的所取代。因此RNN只可以記憶一些重要的特征。長短期記憶網(wǎng)絡(luò)LSTM由于使用了記憶單元和門控機制，所以它可以控制過去信息中....

圖3.1專家推薦機制的流程圖

南京郵電大學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文第三章面向知識問答社區(qū)的專家推薦機制22圖3.1專家推薦機制的流程圖3.2.2構(gòu)建用戶問答關(guān)系有向圖在目前主流的知識問答社區(qū)(如：百度知道，Yahoo!Answers)中，在一個問題的提問和回答的過程中，扮演著不同角色的用戶與其他用戶之間存在....

圖3.3DSSM的三層架構(gòu)圖

南京郵電大學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文第三章面向知識問答社區(qū)的專家推薦機制23U2U3U4U5U6U1U1U2U3U4q1q2q3q5q4q6a1a2a3a4a5a6U2U3U4U5U6用戶問題答案用戶圖3.2用戶問答關(guān)系有向圖3.2.3深度結(jié)構(gòu)化語義模型在本文中對問題文本和用戶....

圖3.4DSSM的網(wǎng)絡(luò)結(jié)構(gòu)圖

南京郵電大學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文第三章面向知識問答社區(qū)的專家推薦機制24cos(,)cos(,)1(|)QUQUnineNinenyyprUQyyee(3.1)其中，U表示用戶文本，Q表示問題文本，N是樣本空間中U的數(shù)量，Qy是輸出層問題文本向量，Uy是輸出層用戶文本向量，....

本文編號：3914130