問答系統(tǒng)作為自然語言處理領域最重要的任務之一,為人們提供了一種更加智能、高效、便捷的信息檢索方式,也是人工智能研究的重要方向之一。由于各行業(yè)的領域知識差別較大、知識專業(yè)程度較高,因此構造領域問答系統(tǒng)更有實際價值和意義。同時,隨著知識圖譜技術的發(fā)展,知識圖譜具有提供可信度高、關聯(lián)信息完備知識的優(yōu)點,因此基于知識圖譜的問答系統(tǒng)成為研究者們關注的熱點。本文基于問句實體識別、屬性分類和知識庫檢索算法設計并實現(xiàn)了一個基于知識圖譜的領域問答系統(tǒng)。本文主要展開的工作如下:1、針對問句中用戶提問所包含的實體指稱形式多樣化難以準確劃定實體邊界,本文提出一種基于特征融合的問句實體識別方法。將問句首先經(jīng)過BERT模型進行語義表示,然后通過BiLSTM和CNN網(wǎng)絡同時提取問句特征并進行融合,最后輸入條件隨機場,進一步學習標簽約束條件,從而提高實體識別的準確度。2、針對屬性抽取階段中僅通過<問句,屬性>兩者語義匹配難以理解問句真正含義,本文提出了引入答案信息輔助進行篩選。將其組成<問句,屬性>和<問句,答案>的方式,并通過BERT模型進行聯(lián)合語義表示;同時為了分配屬性和答案對...

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【文章目錄】：
學位論文數(shù)據(jù)集
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于模板匹配的知識庫問答
        1.2.2 基于語義解析的知識庫問答
        1.2.3 基于信息檢索的知識庫問答
    1.3 主要研究工作及創(chuàng)新點
    1.4 本文章節(jié)組織安排
第二章 理論基礎
    2.1 知識圖譜簡介
    2.2 神經(jīng)網(wǎng)絡及深度學習相關算法
        2.2.1 BERT語義模型
        2.2.2 循環(huán)神經(jīng)網(wǎng)絡
        2.2.3 卷積神經(jīng)網(wǎng)絡
    2.3 條件隨機場
    2.4 本章小結(jié)
第三章 基于特征融合和自注意力機制的問答方法研究
    3.1 問答整體框架
    3.2 基于特征融合的問句實體識別模型
        3.2.1 問句實體識別模型結(jié)構
        3.2.2 基于BERT的問句語義表示
        3.2.3 融合BiLSTM和CNN的特征抽取
        3.2.4 基于條件隨機場的實體標簽預測
    3.3 融合自注意力機制和答案信息的屬性分類模型
        3.3.1 屬性分類模型結(jié)構
        3.3.2 基于BERT的聯(lián)合語義表示
        3.3.3 基于自注意力機制的特征權重分配
    3.4 知識庫檢索算法流程
    3.5 實驗方案及結(jié)果分析
        3.5.1 實驗對象
        3.5.2 結(jié)果評價指標
        3.5.3 實驗環(huán)境設置
        3.5.4 實驗參數(shù)
        3.5.5 實驗結(jié)果及分析
    3.6 本章小結(jié)
第四章 文物領域問答系統(tǒng)設計與實現(xiàn)
    4.1 系統(tǒng)架構設計
    4.2 開發(fā)環(huán)境和技術框架
    4.3 文物領域知識圖譜構建
        4.3.1 多源數(shù)據(jù)獲取
        4.3.2 詞表構建
        4.3.3 基于CIDOC CRM的本體構建
    4.4 問答系統(tǒng)頁面設計與功能展示
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 本文總結(jié)
    5.2 未來展望
參考文獻
致謝
研究成果及發(fā)表的學術論文
作者及導師介紹
附件



本文編號：3845460