基于知识图谱的领域问答系统研究与实现

发布时间：2023-09-03 17:22

　　问答系统作为自然语言处理领域最重要的任务之一,为人们提供了一种更加智能、高效、便捷的信息检索方式,也是人工智能研究的重要方向之一。由于各行业的领域知识差别较大、知识专业程度较高,因此构造领域问答系统更有实际价值和意义。同时,随着知识图谱技术的发展,知识图谱具有提供可信度高、关联信息完备知识的优点,因此基于知识图谱的问答系统成为研究者们关注的热点。本文基于问句实体识别、属性分类和知识库检索算法设计并实现了一个基于知识图谱的领域问答系统。本文主要展开的工作如下:1、针对问句中用户提问所包含的实体指称形式多样化难以准确划定实体边界,本文提出一种基于特征融合的问句实体识别方法。将问句首先经过BERT模型进行语义表示,然后通过BiLSTM和CNN网络同时提取问句特征并进行融合,最后输入条件随机场,进一步学习标签约束条件,从而提高实体识别的准确度。2、针对属性抽取阶段中仅通过<问句,属性>两者语义匹配难以理解问句真正含义,本文提出了引入答案信息辅助进行筛选。将其组成<问句,属性>和<问句,答案>的方式,并通过BERT模型进行联合语义表示;同时为了分配属性和答案对...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
学位论文数据集
摘要
ABSTRACT
第一章 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
        1.2.1 基于模板匹配的知识库问答
        1.2.2 基于语义解析的知识库问答
        1.2.3 基于信息检索的知识库问答
    1.3 主要研究工作及创新点
    1.4 本文章节组织安排
第二章 理论基础
    2.1 知识图谱简介
    2.2 神经网络及深度学习相关算法
        2.2.1 BERT语义模型
        2.2.2 循环神经网络
        2.2.3 卷积神经网络
    2.3 条件随机场
    2.4 本章小结
第三章 基于特征融合和自注意力机制的问答方法研究
    3.1 问答整体框架
    3.2 基于特征融合的问句实体识别模型
        3.2.1 问句实体识别模型结构
        3.2.2 基于BERT的问句语义表示
        3.2.3 融合BiLSTM和CNN的特征抽取
        3.2.4 基于条件随机场的实体标签预测
    3.3 融合自注意力机制和答案信息的属性分类模型
        3.3.1 属性分类模型结构
        3.3.2 基于BERT的联合语义表示
        3.3.3 基于自注意力机制的特征权重分配
    3.4 知识库检索算法流程
    3.5 实验方案及结果分析
        3.5.1 实验对象
        3.5.2 结果评价指标
        3.5.3 实验环境设置
        3.5.4 实验参数
        3.5.5 实验结果及分析
    3.6 本章小结
第四章 文物领域问答系统设计与实现
    4.1 系统架构设计
    4.2 开发环境和技术框架
    4.3 文物领域知识图谱构建
        4.3.1 多源数据获取
        4.3.2 词表构建
        4.3.3 基于CIDOC CRM的本体构建
    4.4 问答系统页面设计与功能展示
    4.5 本章小结
第五章 总结与展望
    5.1 本文总结
    5.2 未来展望
参考文献
致谢
研究成果及发表的学术论文
作者及导师介绍
附件



本文编号：3845460