智能問(wèn)答是自然語(yǔ)言處理領(lǐng)域一個(gè)非常重要的研究熱點(diǎn),傳統(tǒng)的智能問(wèn)答不能準(zhǔn)確地理解用戶的意圖,從而無(wú)法返回準(zhǔn)確的答案。因此,提出了基于BERT-CNN算法的智能問(wèn)答系統(tǒng),并應(yīng)用于電影原聲領(lǐng)域,可以快速準(zhǔn)確地反饋相關(guān)信息。首先,構(gòu)建電影原聲的知識(shí)圖譜,建立節(jié)點(diǎn)實(shí)體以及實(shí)體之間的關(guān)系,利用Neo4j圖數(shù)據(jù)庫(kù)對(duì)數(shù)據(jù)進(jìn)行存儲(chǔ)。然后,通過(guò)基于規(guī)則和詞典的方法進(jìn)行實(shí)體識(shí)別,利用BERT-CNN分類算法對(duì)用戶意圖進(jìn)行分類。最后,根據(jù)用戶意圖和實(shí)體,將問(wèn)句轉(zhuǎn)化成知識(shí)圖譜的查詢語(yǔ)句,在數(shù)據(jù)庫(kù)中查詢后返回結(jié)果。實(shí)驗(yàn)結(jié)果表明,構(gòu)建的面向電影原聲智能問(wèn)答系統(tǒng)是可行的,采用BERT-CNN分類算法,分類準(zhǔn)確率高達(dá)91.24%,能夠?qū)崟r(shí)得到問(wèn)題答案的準(zhǔn)確反饋,準(zhǔn)確率達(dá)到95%以上。

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

圖1系統(tǒng)框架

該文設(shè)計(jì)的基于知識(shí)圖譜的問(wèn)答系統(tǒng),主要結(jié)合知識(shí)圖譜將用戶輸入的自然語(yǔ)言問(wèn)句轉(zhuǎn)化為Cypher查詢語(yǔ)句。首先需要對(duì)用戶輸入的自然語(yǔ)言問(wèn)句進(jìn)行預(yù)處理,比如分詞、去停用詞等,得到實(shí)體,然后根據(jù)分類算法可以獲得問(wèn)題的分類類別,從而找到該類別的查詢模板,接著將實(shí)體填入查詢模板中就可以從知識(shí)....

圖2電影原聲知識(shí)圖譜

接下來(lái)將展示電影原聲的知識(shí)圖譜,如圖2所示,這里將電影原聲作為一個(gè)中心節(jié)點(diǎn),此節(jié)點(diǎn)中包含電影原聲的相關(guān)屬性,例如流派、介質(zhì)、相關(guān)電影、評(píng)分以及歌手等等。從這個(gè)中心節(jié)點(diǎn)也能看到與其他節(jié)點(diǎn)的關(guān)系,例如電影原聲和出版社的關(guān)系是“press”。3答案生成算法

圖3BERT模型

BERT:BERT模型是一個(gè)多層雙向Transformer編碼器,Transformer是一種注意力機(jī)制,可以學(xué)習(xí)到文本中單詞的上下文關(guān)系。Transformer原型包含encoder機(jī)制和decoder機(jī)制,encoder作為輸入接受文本,decoder主要負(fù)責(zé)預(yù)測(cè)結(jié)果。BER....

圖4卷積神經(jīng)網(wǎng)絡(luò)示意圖

卷積神經(jīng)網(wǎng)絡(luò)(convolutionalneuralnetworks,CNN):最初應(yīng)用于圖像處理,并且在圖像處理領(lǐng)域取得了非常好的效果,同時(shí)它可以應(yīng)用在文本分類上面。文本分類主要是準(zhǔn)確無(wú)誤地提取句子或文檔的中心思想,將句子或文檔的關(guān)鍵字作為特征去訓(xùn)練分類器進(jìn)行分類,而CNN....

本文編號(hào)：3999053