基于文本理解的自动问答算法的研究与实现

发布时间：2024-05-17 00:46

　　文本理解当前是自然语言处理领域极具挑战性的任务,其关键目标是使得机器具备类似于人的阅读能力,让机器算法模型在理解文本内容的基础上,正确给出与文本内容相关的问题的答案。对于文本内容的理解能力的提升,将会对于信息检索、对话系统、智能客服等应用领域有关键性意义。文本理解技术的发展成熟,将会彻底改变人机交互的体验,实现真正意义的智能化。相比于选择填空型文本理解任务,片段抽取型的文本理解任务更具有挑战性和代表性,目前正在受到越来越多的重视。本文契合当前的研究潮流,也以片段抽取型的文本理解任务作为研究重点,探索文本理解领域的新技术和新方法。当前的大规模文本理解任务数据集使得构建复杂的深层次的神经网络模型成为可能,本文将采用深度学习方法,构建文本理解任务模型对原文、问题进行抽象表示并预测对应的答案。当前的文本理解模型主要关注于词维度的语义匹配,返回原文中与提问内容语义相关性最大的部分作为答案。这种策略一般情况下能够正确回答提问,但是由于没有考虑提问句子的整体语义,可能导致模型不能理解真正的提问意图,最后返回错误的答案,即与提问句子中某部分内容相关性最大的原文片段并非是整个提问句子的答案。本文提出了提...

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
第一章 绪论
    1.1 课题背景及研究目的和意义
        1.1.1 课题背景
        1.1.2 课题研究的目的和意义
    1.2 当前研究现状
    1.3 本文研究内容
    1.4 本文内容安排
第二章 自动问答相关技术
    2.1 自动问答算法介绍
    2.2 Match-LSTM模型
    2.3 DCN模型
    2.4 BiDAF模型
    2.5 ELMo模型
    2.6 算法策略总结
    2.7 本章小结
第三章 Summarization-Filter模型
    3.1 基于关注提问语句整体语义的提升策略
    3.2 模型整体结构
        3.2.1 输入层
        3.2.2 交互层
        3.2.3 输出层
    3.3 Summarization层与Filter层
        3.3.1 Summarization 层
        3.3.2 Filter层
    3.4 Multihops
    3.5 本章小结
第四章 算法模型实现与验证
    4.1 模型实现细节
        4.1.1 数据处理
        4.1.2 模型实现
        4.1.3 模型输出数据存储
    4.2 数据集简介
    4.3 模型训练与测试
        4.3.1 模型超参数设置
        4.3.2 模型测试
    4.4 模型分析
        4.4.1 Summarization层结构分析
        4.4.2 Filter层结构分析
        4.4.3 时间空间开销分析
    4.5 本章小结
第五章 原型系统的设计与实现
    5.1 系统设计
        5.1.1 数据解析模块
        5.1.2 系统展示模块
    5.2 系统部署环境配置
        5.2.1 硬件环境
        5.2.2 软件环境
    5.3 系统前端展示
    5.4 模型指标分析
    5.5 本章小结
第六章 总结与展望
参考文献
附录A 缩略语表
致谢
攻读学位期间发表的学术论文目录



本文编号：3975144