阅读理解中描述类问题的解答研究

发布时间：2021-08-19 20:52

　　机器阅读理解旨在使机器像人类一样阅读文本,能够通过对文本的深入理解回答一系列相关问题。阅读理解近几年受到了学术界和企业界的广泛关注,已成为人工智能及NLP领域的一个研究热点。目前大部分研究针对的问题对应的答案都比较简短,而具有长答案的描述类问题在现实生活中广泛存在,因此有必要对该类问题进行研究。由于描述类问题语义概括程度高,答案一般由多句话组成,具有篇章性特点,所以加强问题和篇章的理解对回答该类问题尤为重要。本文的主要工作如下:（1）尝试了基于问题理解的解答策略。本文通过识别问题类型、问题主题和问题焦点这三种信息来加强模型对问题的理解。基于问题理解的解答策略的主要思想为:首先,通过卷积神经网络和关键词识别问题类型;其次,通过句法分析获取问题主题和焦点;最后将这些信息融入到答题模型中。在相关数据集上进行实验,结果显示:融入问题理解的答题模型相比baselines结果提高了2%-10%。（2）研究了基于篇章表示的解答策略。我们采用层级编码方式对篇章进行表示,首先分别用长短期记忆网络和卷积神经网络对词序列进行编码得到句子表示;继而再将句子表示输入到双向LSTM网络中得到篇章表示;然后,将获得... 

【文章来源】：山西大学山西省

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

问题类型识别模型

问题主题与焦点识别

图 3.3 Compare 类问题主题识别时采用哈尔滨工业大学的 LTP③（Language Technolog。LTP 多次在国内外技术评测中获得优异成绩，特别语义分析联合评测的第一名。依存句法分析主要通过

【参考文献】：
期刊论文
[1]A Pipeline Approach to Free-Description Question Answering in Chinese Gaokao Reading Comprehension[J]. TAN Hongye,ZHAO Honghong,LI Ru,LIU Bei.  Chinese Journal of Electronics. 2019(01)
[2]D-Reader:一种以全文预测的阅读理解模型[J]. 赖郁婷,曾俋颖,林柏诚,萧瑞辰,邵志杰.  中文信息学报. 2018(11)
[3]基于多篇章多答案的阅读理解系统[J]. 刘家骅,韦琬,陈灏,杜彦涛.  中文信息学报. 2018(11)
[4]T-Reader:一种基于自注意力机制的多任务深度阅读理解模型[J]. 郑玉昆,李丹,范臻,刘奕群,张敏,马少平.  中文信息学报. 2018(11)
[5]一种基于数据重构和富特征的神经网络机器阅读理解模型[J]. 尹伊淳,张铭.  中文信息学报. 2018(11)
[6]基于BiDAF多文档重排序的阅读理解模型[J]. 杨志明,时迎成,王泳,潘昊杰,毛金涛.  中文信息学报. 2018(11)
[7]N-Reader:基于双层Self-attention的机器阅读理解模型[J]. 梁小波,任飞亮,刘永康,潘凌峰,侯依宁,张熠,李妍.  中文信息学报. 2018(10)
[8]2018机器阅读理解技术竞赛总体报告[J]. 刘凯,刘璐,刘璟,吕雅娟,佘俏俏,张倩,时迎超.  中文信息学报. 2018(10)
[9]中文篇章关系任务分析及语料标注[J]. 张牧宇,秦兵,刘挺.  智能计算机与应用. 2016(05)
[10]中文篇章级句间语义关系体系及标注[J]. 张牧宇,秦兵,刘挺.  中文信息学报. 2014(02)

博士论文
[1]融入背景知识的篇章语义分析方法研究[D]. 张牧宇.哈尔滨工业大学 2016
[2]汉语篇章结构表示体系及资源构建研究[D]. 李艳翠.苏州大学 2015



本文编号：3352124