發(fā)布時間：2021-08-15 16:42

　　在勘探開發(fā)領(lǐng)域的工作中,經(jīng)常需要從大量的非結(jié)構(gòu)化文本中檢索出有用的信息,而傳統(tǒng)的全文檢索系統(tǒng)使用字符串匹配的方式很難滿足檢索需求。但是基于知識圖譜的問答系統(tǒng)根據(jù)用戶輸入的問句直接輸出精準的答案,可以滿足勘探開發(fā)工作中高效的檢索需求。本文研究并設計了基于勘探開發(fā)知識圖譜的深度問答系統(tǒng),其中根據(jù)答案類型分為簡單問答和復雜問答,并針對各自的關(guān)鍵算法和技術(shù)進行了探索。其中,簡單問答指的是處理答案是事實類短語的問句,其重要環(huán)節(jié)是問句和關(guān)系的語義匹配。由于勘探開發(fā)等特定領(lǐng)域的標注樣本不足,導致有監(jiān)督的語義匹配方法難以獲得較高的語義匹配準確率。針對此問題,本文提出一種基于循環(huán)神經(jīng)網(wǎng)絡的遷移學習模型,其通過預先學習通用領(lǐng)域中大量無標注樣本的語義空間分布來提升專業(yè)領(lǐng)域的語義匹配準確率。實驗結(jié)果表明,該模型與傳統(tǒng)的有監(jiān)督學習方法相比可以明顯提升語義匹配的準確率。復雜問答指的是處理答案是描述性語句的問句,其核心步驟是構(gòu)建合理的答案生成模型,以生成精確的答案。傳統(tǒng)方法只將文檔和問句內(nèi)容作為輸入,然后通過端到端的網(wǎng)絡結(jié)構(gòu)生成答案,忽略了文檔中高層次的語義特征信息。針對此問題,本文提出結(jié)合三元組信息的答案生成模型... 

【文章來源】：中國石油大學(北京)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：53 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 論文主要研究內(nèi)容
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 簡單問答
        1.3.2 復雜問答
    1.4 論文組織結(jié)構(gòu)
第2章 相關(guān)技術(shù)
    2.1 知識圖譜
    2.2 深度學習
        2.2.1 循環(huán)神經(jīng)網(wǎng)絡
        2.2.2 長短期記憶網(wǎng)絡
    2.3 遷移學習
    2.4 注意力機制
    2.5 本章小結(jié)
第3章 基于勘探開發(fā)知識圖譜的深度問答系統(tǒng)架構(gòu)
    3.1 深度問答系統(tǒng)框架
    3.2 簡單問答
        3.2.1 實體詞映射
        3.2.2 關(guān)系語義匹配
        3.2.3 查詢獲取候選答案
        3.2.4 簡單答案綜合打分排序
    3.3 復雜問答
        3.3.1 檢索候選文檔
        3.3.2 提取文檔三元組
        3.3.3 復雜答案生成模型
        3.3.4 復雜答案綜合打分排序
    3.4 本章小結(jié)
第4章 簡單問答的語義匹配模型
    4.1 問題論述
        4.1.1 問題概述
        4.1.2 問題定義
    4.2 模型設計
        4.2.1 基于循環(huán)神經(jīng)網(wǎng)絡的遷移學習模型
        4.2.2 無監(jiān)督語義空間分布學習算法
        4.2.3 有監(jiān)督語義匹配算法
        4.2.4 遷移學習模型的實現(xiàn)
    4.3 實驗
        4.3.1 實驗數(shù)據(jù)和參數(shù)設置
        4.3.2 對照基準和評估
        4.3.3 實驗結(jié)果分析
    4.4 本章小結(jié)
第5章 復雜問答的答案生成模型
    5.1 問題論述
        5.1.1 問題概述
        5.1.2 問題定義
    5.2 模型設計
        5.2.1 結(jié)合三元組信息的答案生成模型
        5.2.2 結(jié)合三元組信息的詞嵌入層
        5.2.3 上下文嵌入層
        5.2.4 注意力計算層
        5.2.5 全局信息提取層
        5.2.6 輸出層
        5.2.7 模型訓練
    5.3 實驗
        5.3.1 實驗數(shù)據(jù)和參數(shù)設置
        5.3.2 對照基準和評估
        5.3.3 實驗結(jié)果分析
    5.4 本章小結(jié)
第6章 總結(jié)與展望
參考文獻
致謝


【參考文獻】：
期刊論文
[1]面向限定領(lǐng)域問答系統(tǒng)的自然語言理解方法綜述[J]. 王東升,王衛(wèi)民,王石,符建輝,諸峰.  計算機科學. 2017(08)
[2]知識圖譜技術(shù)綜述[J]. 徐增林,盛泳潘,賀麗榮,王雅芳.  電子科技大學學報. 2016(04)
[3]基于表示學習的知識庫問答研究進展與展望[J]. 劉康,張元哲,紀國良,來斯惟,趙軍.  自動化學報. 2016(06)
[4]基于改進的TF-IDF方法的文本相似度算法研究[J]. 周麗杰,于偉海,郭成.  泰山學院學報. 2015(03)
[5]遷移學習研究進展[J]. 莊福振,羅平,何清,史忠植.  軟件學報. 2015(01)
[6]深度學習研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計算機應用研究. 2012(08)
[7]基于Lucene的全文檢索系統(tǒng)研究與開發(fā)[J]. 郎小偉,王申康.  計算機工程. 2006(04)
[8]情境模型與語篇理解研究[J]. 遲毓凱.  心理科學. 2002(03)

碩士論文
[1]基于Lucene的中文自然語言搜索引擎[D]. 胡長春.上海交通大學 2009



本文編號：3344914