隨著近年來人工智能和自然語(yǔ)言處理（NLP）研究的飛速發(fā)展,人們對(duì)計(jì)算機(jī)理解自然語(yǔ)言的程度提出了新的要求。本文所需解決的論證推理任務(wù)是自然語(yǔ)言理解研究的基礎(chǔ)任務(wù)之一,與信息提取、機(jī)器問答、機(jī)器理解、文本分析等自然語(yǔ)言處理研究領(lǐng)域有著密切的關(guān)系,因此受到世界各研究機(jī)構(gòu)和研究人員的關(guān)注。論證推理是自然語(yǔ)言理解的一個(gè)重要組成部分,在本文中,引入了一個(gè)自然語(yǔ)言論證推理任務(wù)以及相關(guān)數(shù)據(jù)集,給定一個(gè)原因（Reason）和一個(gè)觀點(diǎn)（Claim）,從兩個(gè)論據(jù)（Warrant）中選擇一個(gè)正確的內(nèi)因論據(jù)（Implicit Warrant）,使原因得以支持觀點(diǎn),以構(gòu)成一個(gè)合理的三段論結(jié)構(gòu)（Reason,Warrant,Claim）。我們基于深度學(xué)習(xí)的方法,使用預(yù)訓(xùn)練的、包含一定信息的Word2vec和Glove詞向量模型,為原因、論據(jù)、觀點(diǎn)構(gòu)造詞向量,用詞向量表征文本的語(yǔ)法和語(yǔ)義信息。使用一系列如卷積神經(jīng)網(wǎng)絡(luò)（CNN）、長(zhǎng)短時(shí)記憶模型（LSTM）、雙向長(zhǎng)短時(shí)記憶模型（BiLSTM）、注意力機(jī)制（Attention Mechanism）的深度學(xué)習(xí)模型構(gòu)造了一系列端對(duì)端的論證推理系統(tǒng),通過實(shí)驗(yàn)比較其論證推理能力。... 

【文章來源】：云南大學(xué)云南省 211工程院校

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

神經(jīng)網(wǎng)絡(luò)語(yǔ)言模型

CBOW模型示意圖

Skip-gram模型示意圖


本文編號(hào)：2961517