基于深度神经网络的军事机器阅读理解技术研究

发布时间：2024-04-12 19:34

　　机器阅读理解是人工智能领域非常热门的一个研究方向。其目的是根据用户的问题,通过语义分析、文章内容的检索和评价等一系列操作,从给定的文章中找到可以准确回答用户问题的答案。机器阅读理解是自然语言处理技术中,继语音识别、语义理解之后最大的挑战。深度学习是机器学习的一个重要分支,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。军事领域中工作人员有时候会接触到大量的资料,由于时间紧迫无法一一阅读,但此时又有较多的问题亟待解答,若能够有专业的工具辅助工作人员理解资料并且给出简单问题的解答,便能在较短时间内得到有用且准确的情报与知识,无疑会减轻工作人员的工作量,为从资料中提取有效情报提供有力的支持。本文旨在研究基于深度神经网络的军事机器阅读理解技术。首先对数据集进行分析,并根据分析结果对数据集进行文章截断和答案标记两种预处理。然后利用基于上下文的动态词向量表示技术对文本和问题进行语义特征表示。接着通过对基于双向注意力机制的机器阅读理解模型、基于双向长短期记忆网络的机器阅读理解模型和的基于自注意力机制与卷积神经网络的机器阅读理解模型训练提升单模型的准确...

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 基于深度学习的机器阅读理解技术
        1.2.2 基于向量的语义表示技术
    1.3 论文研究内容与创新点
        1.3.1 研究内容
        1.3.2 主要创新点
    1.4 论文组织结构
第二章 探索性数据分析与基于动态规划的预处理技术研究
    2.1 探索性数据分析
        2.1.1 训练集分析
        2.1.2 测试集分析
    2.2 基于动态规划的预处理技术
        2.2.1 文章截断
        2.2.2 答案标记
    2.3 本章小结
第三章 基于向量的自然语言语义表示技术研究
    3.1 文本的分布式语义表示技术
        3.1.1 分布式词向量
        3.1.2 分布式字向量
    3.2 基于上下文的动态词向量语义特征表示技术
    3.3 基于词性标签的词向量语义特征表示技术
    3.4 文本语义组合表示技术
        3.4.1 词向量和字向量的组合
        3.4.2 动态词向量与词向量、字向量的组合
        3.4.3 词性标签与词向量、字向量的组合
    3.5 本章小结
第四章 基于深度神经网络与注意力机制的机器阅读理解技术研究
    4.1 基于双向注意力机制的机器阅读理解模型
    4.2 基于双向长短期记忆网络的机器阅读理解模型
    4.3 基于自注意力机制与卷积神经网络的机器阅读理解模型
    4.4 实验结果与分析
        4.4.1 实验设置
        4.4.2 评价指标
        4.4.3 实验结果与分析
        4.4.4 结果后处理
        4.4.5 实验小结
    4.5 本章小结
第五章 基于集成学习的机器阅读理解技术研究
    5.1 基于集成学习的机器阅读理解模型
        5.1.1 提升
        5.1.2 装袋
        5.1.3 组合策略
    5.2 实验结果与分析
        5.2.1 实验设置
        5.2.2 实验与结果与分析
    5.3 本章小结
第六章 总结与展望
    6.1 本文研究工作总结
    6.2 研究展望
致谢
参考文献
作者在学期间取得的学术成果



本文编号：3951864