隨著人們對(duì)信息準(zhǔn)確性的需求快速增長(zhǎng),垂直領(lǐng)域問(wèn)答系統(tǒng)的重要性日益凸顯。垂直領(lǐng)域問(wèn)答系統(tǒng)的語(yǔ)義解析模塊能夠理解用戶的真實(shí)需求,進(jìn)而通過(guò)后面的知識(shí)庫(kù)快速地為用戶提供精準(zhǔn)的信息。論文聚焦于具體的旅游領(lǐng)域問(wèn)答系統(tǒng)的語(yǔ)義解析模塊的構(gòu)建,同時(shí)為不同的垂直領(lǐng)域問(wèn)答系統(tǒng)的語(yǔ)義解析模塊的構(gòu)建提供一個(gè)參考。論文中的語(yǔ)義解析模塊包含了主分類意圖識(shí)別子模塊、細(xì)分類意圖識(shí)別子模塊和實(shí)體槽位識(shí)別子模塊三個(gè)子模塊。為了滿足不同的應(yīng)用場(chǎng)景,對(duì)于每個(gè)子模塊都給出了兩種不同的構(gòu)建方法。主分類意圖識(shí)別子模塊使用了基于LightGBM算法的設(shè)計(jì)方法和基于BERT模型的設(shè)計(jì)方法,基于LightGBM算法的設(shè)計(jì)方法使用了模板信息進(jìn)行自動(dòng)特征工程。細(xì)分類意圖識(shí)別子模塊使用了基于Text-CNN模型的設(shè)計(jì)方法和基于BERT模型的設(shè)計(jì)方法,基于TextCNN的設(shè)計(jì)方法中將領(lǐng)域知識(shí)進(jìn)行向量化以此來(lái)提高模型的性能。實(shí)體槽位識(shí)別子模塊使用了基于LSTM模型的設(shè)計(jì)方法和基于BERT模型的設(shè)計(jì)方法。對(duì)于不同的子模塊設(shè)計(jì)方法進(jìn)行了測(cè)試對(duì)比和結(jié)果分析,確定了不同的子模塊構(gòu)建方法的應(yīng)用場(chǎng)景。由于BERT模型對(duì)內(nèi)存的要求高,如果不同的子模塊同時(shí)采用基于... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：89 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景及研究的目的和意義
    1.2 語(yǔ)義解析及其相關(guān)理論的發(fā)展概況
    1.3 本文的主要研究?jī)?nèi)容
第2章 語(yǔ)義解析模塊結(jié)構(gòu)的總體設(shè)計(jì)及數(shù)據(jù)集
    2.1 語(yǔ)義解析模塊的結(jié)構(gòu)
    2.2 主分類意圖識(shí)別子模塊的數(shù)據(jù)構(gòu)建
        2.2.1 主分類意圖的類別
        2.2.2 數(shù)據(jù)獲取與標(biāo)注
    2.3 細(xì)分類意圖識(shí)別子模塊的數(shù)據(jù)構(gòu)建
        2.3.1 細(xì)分類意圖的類別
        2.3.2 數(shù)據(jù)獲取與標(biāo)注
    2.4 實(shí)體槽位識(shí)別子模塊的數(shù)據(jù)構(gòu)建
        2.4.1 實(shí)體槽位的類別
        2.4.2 數(shù)據(jù)獲取和標(biāo)注
    2.5 本章小結(jié)
第3章 主分類意圖識(shí)別子模塊設(shè)計(jì)
    3.1 基于LIGHTGBM的主分類意圖識(shí)別子模塊設(shè)計(jì)
        3.1.1 主分類意圖識(shí)別子模塊的結(jié)構(gòu)
        3.1.2 主分類意圖識(shí)別子模塊的模板層設(shè)計(jì)
        3.1.3 主分類意圖識(shí)別子模塊的模型層設(shè)計(jì)
        3.1.4 模板層和模型層融合的方案設(shè)計(jì)
        3.1.5 基于LightGBM算法的主分類意圖識(shí)別模型的訓(xùn)練流程
    3.2 基于BERT的主分類意圖識(shí)別子模塊的設(shè)計(jì)
        3.2.1 基于BERT的主分類意圖識(shí)別模型
        3.2.2 基于BERT的主分類意圖識(shí)別模型的訓(xùn)練流程
    3.3 主分類意圖識(shí)別子模塊的測(cè)試結(jié)果和分析
    3.4 本章小結(jié)
第4章 細(xì)分類意圖識(shí)別子模塊設(shè)計(jì)
    4.1 基于TEXT-CNN的細(xì)分類意圖識(shí)別子模塊的設(shè)計(jì)
        4.1.1 知識(shí)增強(qiáng)型Text-CNN網(wǎng)絡(luò)
        4.1.2 基于Text-CNN的細(xì)分類意圖識(shí)別模型的訓(xùn)練流程
    4.2 基于BERT的細(xì)分類意圖識(shí)別子模塊的設(shè)計(jì)
        4.2.1 基于BERT的細(xì)分類意圖識(shí)別模型
        4.2.2 基于BERT的細(xì)分類意圖識(shí)別模型的訓(xùn)練流程
    4.3 細(xì)分類意圖識(shí)別子模塊的測(cè)試結(jié)果和分析
    4.4 本章小結(jié)
第5章 實(shí)體槽位識(shí)別子模塊設(shè)計(jì)
    5.1 基于LSTM的實(shí)體槽位識(shí)別子模塊的設(shè)計(jì)
        5.1.1 實(shí)體槽位識(shí)別模型的網(wǎng)絡(luò)結(jié)構(gòu)
        5.1.2 基于LSTM的實(shí)體槽位識(shí)別模型的訓(xùn)練流程
    5.2 基于BERT的實(shí)體槽位識(shí)別子模塊的設(shè)計(jì)
        5.2.1 基于BERT的實(shí)體槽位識(shí)別模型
        5.2.2 基于BERT的實(shí)體槽位識(shí)別模型的訓(xùn)練流程
    5.3 實(shí)體槽位識(shí)別子模塊的測(cè)試結(jié)果和分析
    5.4 本章小結(jié)
第6章 語(yǔ)義解析模塊的改進(jìn)和遷移實(shí)驗(yàn)
    6.1 意圖識(shí)別子模塊共享BERT的設(shè)計(jì)方法
        6.1.1 基于BERT的多任務(wù)學(xué)習(xí)方法
        6.1.2 意圖識(shí)別子模塊共享BERT的實(shí)現(xiàn)
        6.1.3 意圖識(shí)別子模塊共享BERT的測(cè)試結(jié)果和分析
    6.2 基于BERT的主分類意圖識(shí)別子模塊的遷移實(shí)驗(yàn)
        6.2.1 領(lǐng)域外數(shù)據(jù)影響現(xiàn)有領(lǐng)域模型性能的實(shí)驗(yàn)
        6.2.2 領(lǐng)域內(nèi)外數(shù)據(jù)量影響現(xiàn)有領(lǐng)域模型性能的實(shí)驗(yàn)
    6.3 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)歷



本文編號(hào)：3187507