面向虚拟学习环境的智能问答研究
发布时间：2021-10-05 17:28
科技的迅猛发展引领社会走入大数据时代,随之而来人们也面临着数据爆炸和信息迭代更新过快等实际操作问题。传统搜索引擎单一检索反馈的庞大网页信息已无法满足人们快速获取精准信息的需求。智能问答作为人工智能和自然语言处理方向的研究热点,它能够为用户提供高效准确的答案和智能个性化的服务,目前正被逐步应用于各大商用领域。然而,由于自然语句的语义存在多样性及具有研究价值的限定域问答数据集缺乏,智能问答研究目前仍面临着许多瓶颈。本文研究了开放域英文与限定域中文智能问答算法,并对模型进行了测试验证;基于人工智能标记语言设计实现了面向虚拟学习环境的智能问答教学交互系统,验证并拓展了智能问答模型的实际应用价值。研究内容如下:1、研究基于开放域的英文智能问答。针对传统模型无法捕获问题和答案语句依赖关联性的缺点,提出一种融合堆叠双向长短时记忆网络与协同注意力机制的语义理解模型。长短时记忆网络用于获取各词语间的依赖关联性;注意力机制与协同注意力机制生成关联矩阵,捕获问题和答案语句的交互影响与作用,获取语句的进一步特征向量表示;选取智能寻优算法完成参数寻优。在TREC8-13、Wiki-QA与SemEval2015公...
【文章来源】：重庆邮电大学重庆市
【文章页数】：94 页
【学位级别】：硕士
【部分图文】：
word2vec模型训练过程
图 3.3 word2vec 模型训练过程完成词向量模型的训练过程后，从数据集语料中随机选取部分自然语言语对模型进行测试。测试分两部分：其一是测试模型对词语向量化的表通过混淆矩阵的形式表现，如图 3.4 所示；其二是测试模型映射相似词语从语料中随机选定一个词语，计算与其语义最相似的前十个词，结果如。
图 3.5 word2vec 模型词语间相似性检测实验结果从图 3.4 可看出，同一词语的自我表征识别结果为 100%，而词语 man、woman和 human 这三个词向量化后的结果都比较接近。由图 3.5 可得与 society 最相似的词分别是 community、nation 和 world 等，其中 community 的相似度分值达到了0.6035。综上可知，经过训练后的 word2vec 模型具备较好的词语向量化表征能力，可为后续的深度网络模型提供优良的初始特征向量。3.3 融合堆叠 BiLSTM 网络与协同注意力机制的问答对特征提取在获得语句的初始向量后，语句语义的理解与解析则需要架构深度网络模型来实现。本小节将展示改进的特征提取模型架构过程。3.3.1 堆叠 BiLSTM 网络
【参考文献】：
期刊论文
[1]基于BI-LSTM-CRF模型的限定领域知识库问答系统[J]. 程树东,胡鹰. 计算机与现代化. 2018(07)
[2]面向自然语言处理的深度学习[J]. 薛亚非. 电子技术与软件工程. 2018(12)
[3]专业领域智能问答系统设计与实现[J]. 陶永芹. 计算机应用与软件. 2018(05)
[4]基于稀疏自学习卷积神经网络的句子分类模型[J]. 高云龙,左万利,王英,王鑫. 计算机研究与发展. 2018(01)
[5]Temporality-enhanced knowledge memory network for factoid question answering[J]. Xin-yu DUAN,Si-liang TANG,Sheng-yu ZHANG,Yin ZHANG,Zhou ZHAO,Jian-ru XUE,Yue-ting ZHUANG,Fei WU. Frontiers of Information Technology & Electronic Engineering. 2018(01)
[6]面向限定领域问答系统的自然语言理解方法综述[J]. 王东升,王卫民,王石,符建辉,诸峰. 计算机科学. 2017(08)
[7]基于注意机制编码解码模型的答案选择方法（英文）[J]. Yuan-ping NIE,Yi HAN,Jiu-ming HUANG,Bo JIAO,Ai-ping LI. Frontiers of Information Technology & Electronic Engineering. 2017(04)
[8]面向自然语言处理的深度学习研究[J]. 奚雪峰,周国栋. 自动化学报. 2016(10)
[9]问答系统研究综述[J]. 毛先领,李晓明. 计算机科学与探索. 2012(03)
[10]虚拟博物馆中基于场景语义的三维交互[J]. 袁海波,刘厚泉,潘志庚,刘剑锋. 微计算机信息. 2009(27)
博士论文
[1]虚拟环境中基于语义的三维交互技术研究及应用[D]. 王亮.中国科学技术大学 2008
本文编号：3420206
【文章来源】：重庆邮电大学重庆市
【文章页数】：94 页
【学位级别】：硕士
【部分图文】：
word2vec模型训练过程
图 3.3 word2vec 模型训练过程完成词向量模型的训练过程后，从数据集语料中随机选取部分自然语言语对模型进行测试。测试分两部分：其一是测试模型对词语向量化的表通过混淆矩阵的形式表现，如图 3.4 所示；其二是测试模型映射相似词语从语料中随机选定一个词语，计算与其语义最相似的前十个词，结果如。
图 3.5 word2vec 模型词语间相似性检测实验结果从图 3.4 可看出，同一词语的自我表征识别结果为 100%，而词语 man、woman和 human 这三个词向量化后的结果都比较接近。由图 3.5 可得与 society 最相似的词分别是 community、nation 和 world 等，其中 community 的相似度分值达到了0.6035。综上可知，经过训练后的 word2vec 模型具备较好的词语向量化表征能力，可为后续的深度网络模型提供优良的初始特征向量。3.3 融合堆叠 BiLSTM 网络与协同注意力机制的问答对特征提取在获得语句的初始向量后，语句语义的理解与解析则需要架构深度网络模型来实现。本小节将展示改进的特征提取模型架构过程。3.3.1 堆叠 BiLSTM 网络
【参考文献】：
期刊论文
[1]基于BI-LSTM-CRF模型的限定领域知识库问答系统[J]. 程树东,胡鹰. 计算机与现代化. 2018(07)
[2]面向自然语言处理的深度学习[J]. 薛亚非. 电子技术与软件工程. 2018(12)
[3]专业领域智能问答系统设计与实现[J]. 陶永芹. 计算机应用与软件. 2018(05)
[4]基于稀疏自学习卷积神经网络的句子分类模型[J]. 高云龙,左万利,王英,王鑫. 计算机研究与发展. 2018(01)
[5]Temporality-enhanced knowledge memory network for factoid question answering[J]. Xin-yu DUAN,Si-liang TANG,Sheng-yu ZHANG,Yin ZHANG,Zhou ZHAO,Jian-ru XUE,Yue-ting ZHUANG,Fei WU. Frontiers of Information Technology & Electronic Engineering. 2018(01)
[6]面向限定领域问答系统的自然语言理解方法综述[J]. 王东升,王卫民,王石,符建辉,诸峰. 计算机科学. 2017(08)
[7]基于注意机制编码解码模型的答案选择方法（英文）[J]. Yuan-ping NIE,Yi HAN,Jiu-ming HUANG,Bo JIAO,Ai-ping LI. Frontiers of Information Technology & Electronic Engineering. 2017(04)
[8]面向自然语言处理的深度学习研究[J]. 奚雪峰,周国栋. 自动化学报. 2016(10)
[9]问答系统研究综述[J]. 毛先领,李晓明. 计算机科学与探索. 2012(03)
[10]虚拟博物馆中基于场景语义的三维交互[J]. 袁海波,刘厚泉,潘志庚,刘剑锋. 微计算机信息. 2009(27)
博士论文
[1]虚拟环境中基于语义的三维交互技术研究及应用[D]. 王亮.中国科学技术大学 2008
本文编号：3420206
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3420206.html
最近更新
教材专著
