检索结果-南通市图书馆

计算机与数字工程 2022年第11期50卷 2515-2520页

作者：周艳平朱小虎青岛科技大学信息科学技术学院青岛266061

为解决从未标记文本中自动化的生成问答对(Q&A),提出了一种基于Seq2Seq框架和自动化构建数据的问答对生成方法(Seq2Seq-TDP-QAG)。首先,已知段落、问题、答案的阅读理解数据集中,通过构造函数从中获得线索、问题类型信息构造训练数据集... 详细信息

为解决从未标记文本中自动化的生成问答对(Q&A),提出了一种基于Seq2Seq框架和自动化构建数据的问答对生成方法(Seq2Seq-TDP-QAG)。首先,已知段落、问题、答案的阅读理解数据集中,通过构造函数从中获得线索、问题类型信息构造训练数据集,并用数据训练基于Seq2Seq框架的问题生成模型;其次,采用三步取样法从未标记文本中获取答案、线索、问题类型信息,构造问题生成模型的输入数据集,并输入模型中初步生成问题信息;最后,通过数据过滤器来控制问题的质量,生成高质量的问题信息,并和答案组成问答对。将提出的方法在SQuAD数据集上进行实验,与PCFG-Trans模型相比ROUGE-L和METEOR分别提升18.68和6.13,结果证明,Seq2Seq-TDP-QAG有能够生成质量更高的问答对。

关键词：问答对生成 Seq2Seq框架数据处理问答对质量

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于交互引导的问答对联合生成模型

引用

计算机学报 2024年第2期47卷 251-265页

作者：刘杰林绍鑫王善鹏南开大学人工智能学院天津300350

大规模问答对的自动生成在知识问答库构建和机器阅读理解等许多应用具有关键价值.尽管其重要性已得到广泛认可,现有问答对生成方法仍面临着严峻挑战.首先,在传统的问答对生成模型中,抽取式的答案获取方法难以适用于复杂的自然交互场景.... 详细信息

大规模问答对的自动生成在知识问答库构建和机器阅读理解等许多应用具有关键价值.尽管其重要性已得到广泛认可,现有问答对生成方法仍面临着严峻挑战.首先,在传统的问答对生成模型中,抽取式的答案获取方法难以适用于复杂的自然交互场景.相比较而言,生成式模型通过对文本的语义理解,能够自动生成表述更加自然的答案.其次,对于问答对生成任务来说,为了防止生成的答案和问题出现语义上的不匹配,需要更全面地捕捉并增强答案生成和问题生成两个子任务之间的交互.最后,由于答案抽取和问题生成存在任务难度的差异,这两个任务在联合训练的过程中会出现任务之间的优化不平衡问题.为此,本文提出了一个基于交互引导的问答对联合生成模型(Interaction-Guided Joint Abstractive QAPs Generation Model,IGJA-QAP).具体而言,本文设计了一个带有答案引导的多头门机制的联合生成模型,同时对两个子任务进行统一建模并有效地捕获和增强它们之间的信息交互,从而可以生成语义上匹配的问答对.本文在三个大规模数据集SQuAD、NewQA和CoQA上进行了综合全面的实验分析.本文提出的模型在答案生成任务上METEOR值平均分别超出其他最佳方法3.0%、5.9%和4.3%,问题生成任务上METEOR值平均分别超出其他最佳方法1.5%、0.5%和2.1%.实验结果表明,本文提出的模型达到了目前最高的性能.

关键词：问答对生成统一生成式模型答案引导的多头门指针网络相互优化

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的FAQ问答系统的研究与实现

基于深度学习的FAQ问答系统的研究与实现

引用

作者：李瑨北京邮电大学

学位级别：硕士

随着科学技术的高速发展,网络上的数据呈指数级增长,虽然丰富的数据增强了用户获取多个方面知识的可能性,但也造成了用户面对信息过载而无法定位有效信息的问题。为解决该问题,智能问答系统应运而生。智能问答系统通过对用户的问题进行... 详细信息

随着科学技术的高速发展,网络上的数据呈指数级增长,虽然丰富的数据增强了用户获取多个方面知识的可能性,但也造成了用户面对信息过载而无法定位有效信息的问题。为解决该问题,智能问答系统应运而生。智能问答系统通过对用户的问题进行意图识别和语义理解,然后给用户返回一个与问题对应的简短扼要的自然语言形式的答案,不仅节省了用户的时间,还提供了精准的答案。本文针对基于深度学习的FAQ问答的关键问题——基于非结构化文本的问答对自动生成与扩展技术、长难句简写和问句匹配策略展开深入研究。针对问答对自动生成与扩展技术,提出了基于条件变分自动编码器的BNCVAE-QAG模型,该模型使用批量归一化层来防止Kullback-Leibler散度消失;通过Bi-LSTM和CNN融合的方法在文本中提取时空特征,捕获文本的内在联系;使用自注意力机制来获取内容和答案之间的关系;提出一种问题泛化机制来生成更多的问答对。针对长难句简写提出了基于seq2seq结构的seq2seqt5模型,该模型在编码层中通过使用自注意力机制捕获句子中长距离依赖的特征,在解码层中通过自注意力机制和交叉注意力融合的方法获取文本联合特征。针对问句匹配,提出了 Qq+Qa+Qc匹配策略,其中Qq指用户问句与问答对集合中问题的语义相似度,Qa指用户问句与问答对集合中答案的潜在关联,Qc指用户问句与原始语料的相关度。该策略将Qq+Qa进行结合以提高智能问答的准确率,然后在Qq+Qa的基础上引入Qc策略,扩大搜索范围,给用户更多的选择。基于上述技术,完成了一个智能问答原型系统的设计和实现。实验结果表明,本文提出的BNCVAE-QAG模型,EM达到80.64%,F1达到87.72%。提出的长难句简写模型,Rouge-1达到68.89%,Rouge-2达到55.24%,Rouge-L达到66.89%。在复杂情况下,提出的Qq+Qa+Qc问句匹配策略也能获得88%的准确度。本文设计实现的基于深度学习的FAQ问答系统可为用户提供完整的问答功能,满足用户的咨询需求,同时又降低了人工客服成本。

关键词： FAQ问答系统问答对生成问句匹配策略长难句简写语义匹配

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合语言学特征的中文机器阅读理解研究

融合语言学特征的中文机器阅读理解研究

引用

作者：闫维宏哈尔滨工业大学

学位级别：硕士

理解自然语言是人工智领域面临的一项艰巨挑战,近年来热门的机器阅读理解(Machine Reading Comprehension,MRC)任务以“问-答”的形式检测模型对自然语言的理解能力。尽管各类模型在多个数据集上的性能已经超越人类表现,但是与真实场景... 详细信息

理解自然语言是人工智领域面临的一项艰巨挑战,近年来热门的机器阅读理解(Machine Reading Comprehension,MRC)任务以“问-答”的形式检测模型对自然语言的理解能力。尽管各类模型在多个数据集上的性能已经超越人类表现,但是与真实场景的应用还有一定差距。针对中文机器阅读理解任务的数据和模型,本文主要研究内容如下:1)提出一种中文机器阅读理解问答对数据生成方法。机器阅读理解任务的关键挑战之一是标注数据的稀疏性,一种可选的解决方法是无监督地从大规模的非结构文本生成问答对数据。因此本文提出了一种中文机器阅读理解数据生成方法,以深度生成模型条件变分自编码器为基础,以文本段落为先验条件,构建问题和答案的隐空间,得到问答对生成模型。通过从维基百科中筛选的段落无监督地生成对应段落中的问题与答案对,并提出了一种综合考量问题和答案质量的评分与筛选方法来评估问答对的质量。实验论证了生成方法的有效性,仅仅使用人工生成的问答对数据训练的机器阅读理解模型在CMRC2018数据集的验证集上就可以得到74.69%的F1精确率和57.35%的EM精确率。2)提出一种融合语言学特征的中文机器阅读理解方法。对于机器阅读理解模型,预训练语言模型虽然能够为每个词提供优良的上下文表示特征,但却无法显式地给出语言学特征,而这些特征往往是理解整体语义的基础。本文通过显式地引入语言学特征,探究其对于预训练模型阅读理解能力的影响。首先,本文选用了词性标注和命名实体识别来提供词法特征,使用依存分析来提供句法特征,将二者与预训练模型输出的上下文表示相融合。随后,我们设计了基于注意力机制的自适应特征融合方法来融合不同类型特征,在CMRC2018数据集上的实验证明本方法以极低的算力资源成本,引入语言特征可以帮助模型在F1和EM指标上分别可以取得0.37%和1.56%的提升。3)设计并实现了一个开放域中文机器阅读理解系统。以上述工作中最优的机器阅读理解模型为基础,设计并实现一个开放域中文机器阅读理解系统,直观地展示本文工作结果。首先介绍了系统功能的设计与实现,包括数据交互与实例展示的的流程,接着介绍了在实际应用中如何对输入的文本数据进行数据的预处理以及答案的抽取,最后进行了具体示例的展示。

关键词：机器阅读理解问答对生成条件变分自编码器特征融合

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：