基于社区问答文本的汽车知识问答系统研究

发布时间：2023-04-22 10:59

　　在复杂产品制造企业例如汽车企业中,知识服务是企业的核心竞争力之一。而自动问答系统(Question and Answering)是非常适合企业的一种知识服务技术。问答系统能够直接解析自然语言问句,并返回简练的答案,提高了用户信息获取效率。针对问答系统的整体复杂性和汽车行业的特殊性,研究了面向汽车制造企业的问答系统架构设计,并针对问答系统流程中关键技术给出对应改进算法。首先,本文对汽车行业用户服务进行需求分析,设计了基于社区问答文本的汽车问答系统框架,使得问答系统更加切合汽车领域用户的需求,并有助于汽车企业对用户关注的热点问题进行主动获取;其次,针对基于汽车社区问答文本所面临的用户问题纷繁复杂、口语化严重的情况,提出了基于深度学习的汽车问题文本分类改进算法,研究了深度学习模型和注意力机制在文本分类任务中的应用;最后,研究了汽车问答文本联合建模答案选择算法,为问答系统的答案抽取及答案排序提供理论支持。为说明两个改进算法对问答系统性能的提升有效性,分别采用对比试验进行验证分析,实验证明算法达到了预期的研究效果。

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外主要研究现状
        1.2.1 问题分类研究现状
        1.2.2 答案选择研究现状
    1.3 本文主要工作
    1.4 论文组织结构
第二章 相关理论与关键技术
    2.1 深度学习模型
        2.1.1 卷积神经网络
        2.1.2 长短时记忆模型
        2.1.3 注意力模型
    2.2 语言模型与文本表示
        2.2.1 语言模型
        2.2.2 词嵌入模型
        2.2.3 Word2Vec
    2.3 本章小结
第三章 基于社区问答文本的汽车知识问答系统框架构建
    3.1 汽车知识问答系统框架总体设计
        3.1.1 交互层
        3.1.2 任务层
        3.1.3 方法层
    3.2 汽车社区问答文本构建
        3.2.1 社区问答文本抓取
        3.2.2 问答对数据抽取
        3.2.3 社区问答文本数据标注
    3.3 汽车知识问答系统关键任务
        3.3.1 汽车问答文本问题分析与扩展
        3.3.2 问题答案对筛选与排序
    3.4 本章小结
第四章 汽车问答文本分类模型
    4.1 基于深度学习的问题分类数据准备
        4.1.1 问题分类体系
        4.1.2 汽车问题文本预处理与标注
    4.2 基于疑问词注意力机制的问题分类模型
        4.2.1 深度学习对问题分类的影响
        4.2.2 疑问词注意力机制
        4.2.3 基于MAC-LSTM的分类模型
    4.3 实验结果与分析
        4.3.1 数据集与评价标准
        4.3.2 实验结果
    4.4 本章小结
第五章 汽车问答文本答案选择模型
    5.1 基于深度学习的问题答案句子对建模
        5.1.1 汽车社区问答对数据准备
        5.1.2 基于卷积神经网络问题答案联合建模
        5.1.3 基于长短时记忆模型问题答案联合建模
    5.2 融合句内注意力机制的长短时记忆网络答案选择模型
        5.2.1 基于深度学习的答案抽取
        5.2.2 问题答案联合建模与问答协同注意力机制
        5.2.3 融合注意力机制的长短时记忆网络答案选择模型
    5.3 实验结果与分析
        5.3.1 数据集与评价标准
        5.3.2 实验结果
    5.4 本章小结
第六章 总结与展望
    6.1 总结
    6.2 工作展望
参考文献
攻读硕士学位期间的学术活动及成果情况



本文编号：3797504