文本理解當前是自然語言處理領域極具挑戰(zhàn)性的任務,其關鍵目標是使得機器具備類似于人的閱讀能力,讓機器算法模型在理解文本內(nèi)容的基礎上,正確給出與文本內(nèi)容相關的問題的答案。對于文本內(nèi)容的理解能力的提升,將會對于信息檢索、對話系統(tǒng)、智能客服等應用領域有關鍵性意義。文本理解技術的發(fā)展成熟,將會徹底改變?nèi)藱C交互的體驗,實現(xiàn)真正意義的智能化。相比于選擇填空型文本理解任務,片段抽取型的文本理解任務更具有挑戰(zhàn)性和代表性,目前正在受到越來越多的重視。本文契合當前的研究潮流,也以片段抽取型的文本理解任務作為研究重點,探索文本理解領域的新技術和新方法。當前的大規(guī)模文本理解任務數(shù)據(jù)集使得構(gòu)建復雜的深層次的神經(jīng)網(wǎng)絡模型成為可能,本文將采用深度學習方法,構(gòu)建文本理解任務模型對原文、問題進行抽象表示并預測對應的答案。當前的文本理解模型主要關注于詞維度的語義匹配,返回原文中與提問內(nèi)容語義相關性最大的部分作為答案。這種策略一般情況下能夠正確回答提問,但是由于沒有考慮提問句子的整體語義,可能導致模型不能理解真正的提問意圖,最后返回錯誤的答案,即與提問句子中某部分內(nèi)容相關性最大的原文片段并非是整個提問句子的答案。本文提出了提...

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
第一章 緒論
    1.1 課題背景及研究目的和意義
        1.1.1 課題背景
        1.1.2 課題研究的目的和意義
    1.2 當前研究現(xiàn)狀
    1.3 本文研究內(nèi)容
    1.4 本文內(nèi)容安排
第二章 自動問答相關技術
    2.1 自動問答算法介紹
    2.2 Match-LSTM模型
    2.3 DCN模型
    2.4 BiDAF模型
    2.5 ELMo模型
    2.6 算法策略總結(jié)
    2.7 本章小結(jié)
第三章 Summarization-Filter模型
    3.1 基于關注提問語句整體語義的提升策略
    3.2 模型整體結(jié)構(gòu)
        3.2.1 輸入層
        3.2.2 交互層
        3.2.3 輸出層
    3.3 Summarization層與Filter層
        3.3.1 Summarization 層
        3.3.2 Filter層
    3.4 Multihops
    3.5 本章小結(jié)
第四章 算法模型實現(xiàn)與驗證
    4.1 模型實現(xiàn)細節(jié)
        4.1.1 數(shù)據(jù)處理
        4.1.2 模型實現(xiàn)
        4.1.3 模型輸出數(shù)據(jù)存儲
    4.2 數(shù)據(jù)集簡介
    4.3 模型訓練與測試
        4.3.1 模型超參數(shù)設置
        4.3.2 模型測試
    4.4 模型分析
        4.4.1 Summarization層結(jié)構(gòu)分析
        4.4.2 Filter層結(jié)構(gòu)分析
        4.4.3 時間空間開銷分析
    4.5 本章小結(jié)
第五章 原型系統(tǒng)的設計與實現(xiàn)
    5.1 系統(tǒng)設計
        5.1.1 數(shù)據(jù)解析模塊
        5.1.2 系統(tǒng)展示模塊
    5.2 系統(tǒng)部署環(huán)境配置
        5.2.1 硬件環(huán)境
        5.2.2 軟件環(huán)境
    5.3 系統(tǒng)前端展示
    5.4 模型指標分析
    5.5 本章小結(jié)
第六章 總結(jié)與展望
參考文獻
附錄A 縮略語表
致謝
攻讀學位期間發(fā)表的學術論文目錄



本文編號：3975144