隨著互聯(lián)網(wǎng)的發(fā)展,數(shù)字化信息呈現(xiàn)出指數(shù)增長的趨勢,給人們從海量數(shù)據(jù)中快速準確地獲取需要的信息帶來了挑戰(zhàn)。傳統(tǒng)的信息獲取方式是使用搜索引擎,通過關鍵詞匹配的方法返回大量的相關網(wǎng)頁,導致用戶需要耗費大量的精力從返回的網(wǎng)頁中篩選出自己需要的答案。與傳統(tǒng)的基于搜索引擎的信息獲取方式相比,智能問答能夠精準理解用戶的搜索意圖,并將答案直接返回給用戶,提高了用戶信息獲取的效率。同時,知識圖譜能夠作為智能問答的一個高質量數(shù)據(jù)來源,其快速發(fā)展推動了智能問答在多個領域內的應用。目前,在教育領域非常重視古詩知識的學習和運用,但是古詩知識的體系復雜,用戶獲取古詩信息的方法主要是通過搜索引擎,對于想要根據(jù)條件個性化查找古詩信息的用戶來說,這種信息獲取方式不夠高效。因此,本文構建了一個古詩知識圖譜,并基于該知識圖譜實現(xiàn)了古詩知識的智能問答。本文的研究工作主要包括以下幾個方面:第一,古詩知識圖譜構建。以關系型數(shù)據(jù)庫中的數(shù)據(jù)為基礎,利用互聯(lián)網(wǎng)數(shù)據(jù)進行補充,將不同來源的數(shù)據(jù)進行融合,構建了能夠用于智能問答的古詩知識圖譜。第二,基于BERT的問句分類算法研究。常用的分類算法大都采用Word2vec獲取文本的詞向量表示,這...

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內外研究現(xiàn)狀
    1.3 本文研究內容
    1.4 本文組織結構
第二章 相關技術與理論基礎
    2.1 知識圖譜介紹
        2.1.1 圖數(shù)據(jù)庫
        2.1.2 知識圖譜構建流程
    2.2 詞語的向量表示
        2.2.1 離散表示
        2.2.2 分布式表示
        2.2.3 Word2vec模型
    2.3 神經(jīng)網(wǎng)絡及深度學習概述
        2.3.1 神經(jīng)網(wǎng)絡
        2.3.2 卷積神經(jīng)網(wǎng)絡
        2.3.3 循環(huán)神經(jīng)網(wǎng)絡
        2.3.4 長短期記憶網(wǎng)絡
    2.4 本章小結
第三章 基于古詩知識圖譜的智能問答總體架構設計
    3.1 智能問答算法框架
    3.2 古詩知識圖譜構建
        3.2.1 數(shù)據(jù)來源
        3.2.2 數(shù)據(jù)抽取
        3.2.3 數(shù)據(jù)融合
        3.2.4 數(shù)據(jù)存儲
    3.3 問句類別設計
    3.4 知識查詢模板設計
    3.5 本章小結
第四章 關鍵算法設計與分析
    4.1 問句分類算法
        4.1.1 基于BERT的問句分類算法
        4.1.2 問句分類算法實現(xiàn)
        4.1.3 問句分類實驗及分析
    4.2 實體識別算法
        4.2.1 基于BiLSTM-CRF的實體識別算法
        4.2.2 實體識別算法實現(xiàn)
        4.2.3 實體識別實驗及分析
    4.3 本章小結
第五章 基于古詩知識圖譜的智能問答系統(tǒng)的設計與實現(xiàn)
    5.1 引言
    5.2 開發(fā)環(huán)境
    5.3 系統(tǒng)架構
    5.4 系統(tǒng)模塊設計與實現(xiàn)
        5.4.1 知識圖譜構建模塊
        5.4.2 前端展示模塊
        5.4.3 問答模塊
    5.5 整體展示及分析
    5.6 本章小結
第六章 總結與展望
    6.1 總結
    6.2 研究展望
參考文獻
參與的科研項目
致謝



本文編號：3859392