隨著通信技術(shù)的發(fā)展和計算機(jī)軟硬件性能的提升,人們越來越多地使用互聯(lián)網(wǎng)發(fā)布各種信息,并留存下了海量數(shù)據(jù)。其中的一部分是結(jié)構(gòu)化數(shù)據(jù),例如知識圖譜和表格。結(jié)構(gòu)化數(shù)據(jù)是依照某種數(shù)據(jù)模型以自動和人工手段結(jié)合構(gòu)建的,具有數(shù)據(jù)量豐富、質(zhì)量高和有結(jié)構(gòu)的特點,非常適合做問答系統(tǒng)的知識源。使用結(jié)構(gòu)化數(shù)據(jù)回答問題的一種主要手段是語義解析,即將自然語言問題通過計算機(jī)程序映射為具有相同含義的SPARQL、SQL等結(jié)構(gòu)化查詢語句。傳統(tǒng)語義解析方法基于模板,僅能覆蓋少部分查詢結(jié)構(gòu)對應(yīng)的問題�；谡Z法或句法分析的方法需要人工編制結(jié)構(gòu)的組合或映射規(guī)則,且對不標(biāo)準(zhǔn)問句常常遇到結(jié)構(gòu)不匹配的問題。機(jī)器學(xué)習(xí)方法可以自動從問題-查詢或問題-答案標(biāo)注數(shù)據(jù)中學(xué)習(xí)轉(zhuǎn)換規(guī)則,但依靠人工經(jīng)驗設(shè)計的特征難以捕捉一些關(guān)鍵信息。近幾年,深度學(xué)習(xí)飛速發(fā)展,基于該技術(shù)的方法在多個自然語言處理任務(wù)上取得了良好效果。深度學(xué)習(xí)能自動提取問題和查詢的最佳匹配特征,在新的問題模式和查詢結(jié)構(gòu)上泛化能力強(qiáng),對結(jié)構(gòu)化數(shù)據(jù)問答任務(wù)很有幫助。雖然國內(nèi)外研究人員已經(jīng)在基于深度學(xué)習(xí)的結(jié)構(gòu)化數(shù)據(jù)問答上取得一定成果,但現(xiàn)有成果在查詢表示方法和問題-查詢匹配方法上仍存在不足。因... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：106 頁

【學(xué)位級別】：博士

【部分圖文】：

圖１－２?Ｆｒｅｅｂａｓｅ中與Ｎａｔａｌｉｅ?Ｐｏｒｔｍａｎ相關(guān)的知識圖譜片段??Ｆｒｅｅｂａｓｅ有以下幾個值得關(guān)注的特點：第一，每個實體擁有獨(dú)一無二的ｉｄ

。如果完全重合，將相應(yīng)實體作為候選實體，如??果部分重合，取尤個連續(xù)重合長度最長的實體作為候選實體。??３．２．２．３查詢遍歷??獲得候選實體后，查詢它們每一個作為頭實體形成的事實，將這些事實中的??尾實體去掉，再將不重復(fù)的“頭實體－關(guān)系”連接保存，就得到了候選查詢。需要??注意的是，Ｆｒｅｅｂａｓｅ在表示一個有多方參與的事實時會加入虛擬節(jié)點，即１．２．１小??節(jié)中介紹的ＣＶＴ。這時需要擴(kuò)展一跳關(guān)系，將一個頭實體和連續(xù)的兩個關(guān)系作??為候選查詢。??３．２．３問題－查詢匹配??圖３－１展示了我們提出的整個問題－查詢匹配模型，下面將首先介紹模型整體??設(shè)計思路，然后對編碼器和解碼器的細(xì)節(jié)進(jìn)行介紹。??ＱＵｅＳｔｋ＞ｎｑ?；?，，?Ｕ?ｉ?ｒ?■?Ｉ?－?Ｔａｒｇｅｔ?ｖｏｃａｂｕｌａｒｙ?．??ｗｈａｔ?ｐｏｓｉｔｉｏｎ?ｄｏｅｓ?ｍｅｓｓｉ?ｇｅｎｅｒａｔｅ?＇＾?，?ｌ－??義國？�。�，Ｓ０Ｕｆｃｅｓｖｍｂ０ｌｓ?…??■?ｐａｒａｐｈｒａｓｅ、、；抑＊?丨１?顏…ＩＴｌ?Ｅｎｔｉｔｙ?ｌｅｘｉｃｏｎ??＇＇卞?｜；｜?Ｉ?｜－Ｉ｜?…［Ｒｅｌａｔｉｏｎ?ｌｅｘｉｃｏｎ??ａｔｔｅｎｔｉｏｎ?＾?＇ｗ??Ｓｕｂｊｅｃｌ－ｒｅｉａｔｉｏｎ?ｐ３ｉｒ?ａ?＜＾－＊＊＊＊＾＊＊：：＾ｒ＾??ｔ?ｔ?ｔ?ｔ?：：??＜ｂｓ＞?ｌｉｏｎｅｌ?ｍｅｓｓｉ?＜ｅｓ＞?＜ｂｒ＞?ｓｏｃｃｅｒ?ｆｏｏｔｂａｌｌ?ｐｌａｙｅｒ?ｐｏｓｉｔｉｏｎ?ｓ?＜ｅｒ＞?１??圖３－１聯(lián)合生成、復(fù)制和改寫模式的問題－查詢匹配模型??３２??

北京郵電大學(xué)博士學(xué)位論文???如圖４－１，如果我們將實體視為點，關(guān)系視為邊，那么知識圖譜是一張圖而查詢??可以視為其中的一個子圖（紅色部分）。需要思考的是，查詢是有結(jié)構(gòu)的，這種??結(jié)構(gòu)是將實體和關(guān)系組織起來的特定順序，而順序直接影響整個查詢的含義，不??同的順序引出不同的含義。因此我們需要對查詢結(jié)構(gòu)進(jìn)行建模，以更好捕捉查詢??的語義，實現(xiàn)對不同查詢的有效區(qū)分。??＼?Ｐｏｒｔｍａｎ?Ｊ?＼?Ｊ?＼?Ａｍｉｄａｌａ?］??＼?＼ｎａｔｉｏｎａｌｉｔｙ?ｎ．?ｓｔａｒｒｉｎｇ??ｖ?０９?ｙ?＼ＭｍｅＰ，ｗ?ｖ＂?ｙ??圖４－１知識圖譜片段和復(fù)雜查詢子圖??知識圖譜復(fù)雜關(guān)系問答有豐富的歷史。早期方法主要基于模板，這些方法人??工標(biāo)注或自動學(xué)習(xí)從問題模式到查詢骨架的映射，因而對查詢結(jié)構(gòu)進(jìn)行了建模。??然而模板僅能覆蓋少量查詢結(jié)構(gòu)且泛化能力較差�；跈C(jī)器學(xué)習(xí)的方法依靠簡單??的規(guī)則生成候選查詢，并從問題和查詢中提取啟發(fā)式特征從而對候選排序。然而，??這些簡單的特征不能很好地表達(dá)查詢結(jié)構(gòu)。當(dāng)前，相關(guān)方法己主要采用深度學(xué)習(xí)??技術(shù)。它們首先從問題中識別一個主題實體，然后將它連接的一到兩跳關(guān)系作為??核心關(guān)系鏈與問題進(jìn)行匹配，最后將約束添加進(jìn)匹配到的關(guān)系鏈中。然而，由于??這些方法在匹配過程中使用的是關(guān)系鏈而不是完整的查詢，因而幾乎沒有對查詢??結(jié)構(gòu)進(jìn)行建模。??本章中，我們提出將候選查詢的結(jié)構(gòu)信息編碼到其嵌入表示中，從而增強(qiáng)與??給定問題的匹配效果。整體上，先對給定問題進(jìn)行實體、類型和數(shù)字操作的鏈接，??并以這些鏈接結(jié)果為約束構(gòu)造候選查詢，然后將每個候選查詢與問題進(jìn)行匹配。??在候選查詢的生成過程中，我們注意到


本文編號：3448528