基于深度学习的藏文问答系统研究

发布时间：2024-07-09 06:24

　　问答系统的目标是让机器能够理解人类以自然语言的形式提出的问题,并且返回一个准确地、简练的答案。近年来,知识库的迅速发展为问答系统的研究提供了丰富而又便捷的资源支撑。因此知识库问答越来越受到工业界和学术界的关注。目前,知识库问答系统在中英文领域取得成绩较为显著,同时越来越多的研究者投身其中。然而,藏文问答系统的研究还处于探索阶段,尤其是藏文知识库问答的研究,存在着许多挑战。首先,藏文属于低资源语言,相比较中英文,藏文问答语料库稀少。其次,藏文知识库数据稀疏,传统的表示方式无法很好对知识库进行表示学习。最后,在藏文问答语料库规模较少的情况下,如何利用深度学习进行藏文问句的特征抽取和答案返回是藏文知识库问答重要研究内容。针对以上问题,本文研究了基于深度学习的藏文知识库问答,主要工作如下:(1)为了自动扩充藏文问答语料库,本文提出两种方法进行问答语料库构建:基于图的半监督模型算法和基于深度学习的QuGAN模型算法。基于图的半监督模型主要是利用已构建的藏文知识库,将知识库模型与实体(关系)类型相结合,自动构建藏文问句模板和事实性问句。基于深度学习的QuGAN模型首先通过最大似然估计对随机问题进行...

【文章页数】：96 页

【学位级别】：硕士

【部分图文】：

图２－１?ＲＮＮ基本模型以及展开图??－

要思想是通过记住序列的历史信息来处理序列任务。ＲＮＮ之所以称为循环神经??网络，在于ＲＮＮ当前时刻的输出不仅仅当前时刻的输入有关，同时还与ＲＮＮ上??一时刻的输出有关。如图２－１左半部分展示了一个ＲＮＮ基本单元的结构框架，??图２－１的右半部分展示了?ＲＮＮ随时间步骤（即输入序列....

图２－２?ＬＳＴＭ网络单元结构??ＬＳＴＭ网络单元的关键在于细胞状态（ｃｅｌｌ?ｓｔａｔｅ）?Ｃ的更新

??图２－２?ＬＳＴＭ网络单元结构??ＬＳＴＭ网络单元的关键在于细胞状态（ｃｅｌｌ?ｓｔａｔｅ）?Ｃ，的更新。如图２－２所示，??细胞状态在一条直线上进行更新和传递，只涉及线性操作。所以，细胞状态就类??似于传送带，沿着ＬＳＴＭ网络层进行信息传递，而传递的信息因为没有涉及非线??....

图２－３最大池化层??－

?－＇２??图２－３最大池化层??图２－３是在２ｘ２的局部窗口中进行最大池化操作，原始的输入被划分为四个??不同的子区域，在通过对每个区域进行取最大值操作，得到池化层的输出。??２．?３语言模型??语言模型是自然语言处理领域一个基本却又非常重要的任务。它主要就是通??过计算一堆词....

图2-6ELMo语言模型

Ｓａｍｐｌｅ：?｛ｗ，Ｃｏｎｔ＾ｘｔ｛ｗ）｝??图?２－５?Ｓｋｉｐ－Ｇｒａｍ?模型??２．?３．?３?ＥＬＭｏ?模型??ＥＬＭｏ模型［７６］主要是一种通用词和句子嵌入的方法，主要利用深度上下文??单词表示，能够处理单词用法中的复杂特性，比如句法和语义。同时能够感知单??词在不同....

本文编号：4004532