基于深度学习与模型集成的论证推理研究

发布时间：2021-01-07 00:19

　　随着近年来人工智能和自然语言处理（NLP）研究的飞速发展,人们对计算机理解自然语言的程度提出了新的要求。本文所需解决的论证推理任务是自然语言理解研究的基础任务之一,与信息提取、机器问答、机器理解、文本分析等自然语言处理研究领域有着密切的关系,因此受到世界各研究机构和研究人员的关注。论证推理是自然语言理解的一个重要组成部分,在本文中,引入了一个自然语言论证推理任务以及相关数据集,给定一个原因（Reason）和一个观点（Claim）,从两个论据（Warrant）中选择一个正确的内因论据（Implicit Warrant）,使原因得以支持观点,以构成一个合理的三段论结构（Reason,Warrant,Claim）。我们基于深度学习的方法,使用预训练的、包含一定信息的Word2vec和Glove词向量模型,为原因、论据、观点构造词向量,用词向量表征文本的语法和语义信息。使用一系列如卷积神经网络（CNN）、长短时记忆模型（LSTM）、双向长短时记忆模型（BiLSTM）、注意力机制（Attention Mechanism）的深度学习模型构造了一系列端对端的论证推理系统,通过实验比较其论证推理能力。... 

【文章来源】：云南大学云南省 211工程院校

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

神经网络语言模型

CBOW模型示意图

Skip-gram模型示意图


本文编号：2961517