航空安全報告數(shù)據(jù)量大,篇幅較長,且涉及民航生產(chǎn)的方方面面,全部閱讀并理解這些報告需要豐富的專業(yè)領域知識和較長的報告閱讀時間,人力和時間上的投入較大。本文嘗試研究基于深度學習方法的自動文本摘要技術,并將其應用于航空安全報告的自動摘要生成,可以節(jié)省大量人力去做讀寫工作,在一定程度上減少了工作時間,也解決了人工生成摘要成本高的問題。本文基于生成對抗網(wǎng)絡和強化學習方法,對解決文本自動摘要生成問題進行了研究,系統(tǒng)總結了常用自動文本摘要模型,提出了兩種生成方法。主要研究工作如下:1、針對有監(jiān)督的深度神經(jīng)網(wǎng)絡方法,在航空安全報告生成中存在錯誤累積,生成摘要準確率低等問題,提出一種基于強化對抗思想訓練的文本自動摘要生成模型。通過將生成對抗網(wǎng)絡鑒別器作為強化學習的獎勵函數(shù)及時指導生成模型優(yōu)化,盡量避免錯誤累積;通過在航空安全報告生成過程中加入目標指導特征,幫助摘要生成模型獲取更多文本結構知識,提升摘要生成模型真實性。在合成數(shù)據(jù)和航空安全報告數(shù)據(jù)集上的實驗結果表明,該方法在航空安全報告自動摘要生成任務中,較之前的摘要生成模型在準確率和可讀性上有了進一步的提高。2、針對基于強化對抗思想訓練的模型,在面對航空...

【文章頁數(shù)】：52 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 主要工作和章節(jié)安排
第二章 相關技術基礎概述
    2.1 序列到序列Seq2seq模型介紹
    2.2 卷積神經(jīng)網(wǎng)絡模型
    2.3 生成對抗網(wǎng)絡模型
    2.4 強化對抗的思想介紹
    2.5 本章小結
第三章 加入目標指導的強化對抗文本摘要生成模型
    3.1 加入目標指導的強化對抗文本摘要生成模型
        3.1.1 整體流程
        3.1.2 用鑒別器D_φ泄漏特征作為指導信號
        3.1.3 生成過程
        3.1.4 結合強化對抗思想的訓練方法
    3.2 實驗與分析
        3.2.1 合成數(shù)據(jù)實驗
        3.2.2 真實數(shù)據(jù)實驗
    3.3 本章小結
第四章 基于循環(huán)生成對抗網(wǎng)絡的文本摘要生成模型
    4.1 基于強化對抗思想訓練的摘要生成模型的信息丟失問題
    4.2 基于循環(huán)生成對抗網(wǎng)絡的文本摘要生成模型
        4.2.1 使用循環(huán)一致性約束的循環(huán)生成對抗網(wǎng)絡
        4.2.2 模型定義
        4.2.3 生成過程
    4.3 實驗與分析
        4.3.1 實驗數(shù)據(jù)
        4.3.2 超參數(shù)設置
        4.3.3 對比方法
        4.3.4 實驗結果與分析
        4.3.5 消融分析
        4.3.6 案例分析
    4.4 本章小結
第五章 總結與展望
    5.1 本文的主要工作和創(chuàng)新點
    5.2 進一步的工作和展望
致謝
參考文獻
作者簡介



本文編號：3833792