面向旅游领域的智能问答系统设计与实现
这是一篇关于旅游领域,知识图谱,问答系统,注意力机制的论文, 主要内容为近年来,随着互联网的发展,传统旅游业迎来全新变革。越来越多旅游景区开始应用“互联网+旅游”发展模式。目前,旅游领域中亟待解决的问题是游客如何快速且准确地获取信息。以往,游客主要通过传统搜索引擎获取信息,但其无法满足快而准确的需求。而与传统搜索引擎不同,问答系统直接返回答案,能够满足游客的实际需求。目前,问答系统的数据来源主要包括问答对数据、文档数据、以及结构化数据等。与前两个相比,基于结构化数据的问答系统返回的答案更加准确、简洁。传统的关系型数据库在结构化数据存储方面面临挑战,然而知识图谱能够解决此问题。基于知识图谱的问答系统是一种以知识图谱作为答案来源的问答系统,该系统允许用户通过自然语言获取知识图谱中存储的数据。本文工作旨在依赖知识图谱实现面向旅游领域的智能问答系统。其中,基础知识图谱采用内蒙古自治区蒙古文信息处理技术重点实验室在2018年至2019年构建的旅游领域知识图谱NMTKG-1。综上,本文的主要研究内容如下:(1)扩充旅游领域知识图谱。基础知识图谱NMTKG-1中包含的旅游景点信息没有涵盖周边信息。为提升问答系统的性能,本文采用了一种基于百度地图API的知识扩充方法。结果表明,该方法能够有效扩充旅游景点的周边信息。(2)实现基于旅游领域知识图谱的智能问答系统。从自然语言问句到答案生成的流程中包括两个关键步骤,分别为命名实体识别和属性选择。其中,在命名实体识别任务上,本文提出了一种基于BERT-BLSTM-ATT-CRF的命名实体识别方法,该方法利用BERT模型学习文本的字符特征,利用BLSTM模型学习文本的上下文特征,利用注意力机制关注文本中的重点信息,利用CRF模型获取全局最优的输出序列。实验结果表明,该方法可以有效提升系统性能。在属性选择任务上,本文提出了一种基于GSA＿SMCNN的属性选择方法,该方法利用BGRU模型学习问句和属性在语义级别上的特征,利用CNN模型学习问句和属性在词语级别上的特征。实验结果表明,该方法可以有效提升系统性能。(3)实现旅游助手APP。本文为用户提供了旅游助手微信小程序。该助手的前端采用Vue.js语言开发,后端采用Python语言开发,旅游领域知识图谱NMTKG-2采用Neo4j数据库存储。该助手提供的功能有旅游信息问答、天气信息问答、以及车票信息问答等。
基于知识图谱的老年人膳食问答推荐系统的设计与实现
这是一篇关于老年人膳食,知识图谱,问答系统,推荐系统的论文, 主要内容为合理膳食是老年人保持健康、防治慢性病的最佳途径之一。当前中国社会老龄化进程加速,老年人膳食健康问题也逐渐突显。一方面,随着老龄人口的增加以及对膳食健康的日渐重视,社会中对老年人膳食知识的需求迅速增长。另一方面,老年人缺乏获取全面的膳食知识的途径,且难以分辨互联网中混杂的信息。基于此,本文在保证易操作性的前提下,设计并实现老年人膳食问答推荐系统,精准实时地为广大老年人及其家属答疑解惑,方便用户快捷地查询膳食知识并为其推荐所需的食谱及具体做法,为人口老龄化带来的膳食健康问题提供一个有效解决途径。本文的主要研究工作如下:一、老年人膳食知识图谱的构建。结合领域知识与专家意见设计图谱的模式层,利用Scrapy爬虫框架抓取大量膳食相关数据,并过滤老年人食谱数据,选取部分数据进行标注并构建数据集。通过对比实验,选用BERT-IDCNN-CRF和BERT-BiLSTM模型进行实体识别和关系抽取,从而构建三元组数据,并采用图数据库Neo4j进行存储。二、基于知识图谱的问答推荐算法研究。(1)实现基于语义解析的问答,通过对比实验,选用BERT和BERT-BiLSTM-CRF模型进行用户问句的意图识别和实体识别,经逻辑转换后在知识图谱中检索得到结果。(2)改进知识图谱卷积网络推荐模型KGCN,将用户历史问句信息引入,提出KGCN-UHQ模型。(3)将基于语义解析的问答算法与推荐算法相结合,在保证问答准确性的同时贴近用户偏好。三、老年人膳食问答推荐系统的设计与实现。采用前后端分离的架构实现系统的PC端和移动端,配备语音识别接口,实现语音输入、个性化智能问答、语音播报、食谱详情展示、食材购买以及用户历史交互数据存储等多项实用功能,形成应用闭环,一站式帮助老年人解决在膳食健康领域遇到的各类问题。
基于深度学习的实体关系抽取方法研究及应用
这是一篇关于深度学习,实体关系抽取,细粒度语义信息,问答系统的论文, 主要内容为当前随着人们对快捷获取知识的渴求和自然语言处理的快速发展,实体关系抽取技术作为该领域经久不衰的重要研究方向,对于领域知识图谱的构建和各种自然语言处理应用,它都具有重要贡献。虽然关系抽取技术已经发展出了各种层出不穷的理论,但是自动化抽取的精准性不能达到较好的实用性。而基于深度学习的方法,比如传统管道方法存在错误传播和信息冗余,联合抽取方法存在实体重叠、关系类别标签不平衡问题,最终会导致关系抽取模型总体精度不高。因此本文基于深度学习联合实体关系抽取方法,针对上述存在的问题,进行了理论研究和实验分析,提出了一些针对实体关系抽取算法模型的改进和创新:(1)针对实体关系抽取算法难以完成对单句中的重叠实体关系和局内多种三元组的精准抽取难题,深入研究Bi-LSTM实体关系抽取框架,提出一种有序结构编码指针网络解码的实体关系抽取模型。改进的联合实体关系抽取模型在输入层加入生成对抗扰动项,在编码层使用改进的有序长短期记忆网络,在解码层使用指针网络,解码层采取先识别头实体,再共同识别尾实体和关系的提取策略。经过实验表明,改进的网络在提取句子重叠实体关系上总体精度有较好的提升,在对句子含有不同个数三元组的提取上也有良好的提升,说明本文改进的网络对比其他网络具有更好更稳定的抽取性能。(2)针对指针网络加剧关系类别标签不平衡问题,在编解码网络的基础上,提出了一种基于细粒度语义信息增强的实体关系抽取方法。传统模型在训练关系样例的过程中偏向于训练样例数较多的关系,这会造成模型精度虚高,对于样例数较少的关系训练和抽取都不太友好。而本文通过提出一种构建细粒度关系类别词典的方法,使用注意力机制赋予样例数较少的关系更高的权重,从而减少实体关系抽取过程中的样本不平衡问题。其次,引入上下文信息和实体类型信息,构建出细粒度语义信息增强模型来帮组提高模型抽取实体和关系的能力。最后,经过实验表明本文模型在关系类别标签样本不平衡问题上有明显改善,对比其他模型,在NYT标准数据集上总体精度提高4.5%,在WebNLG标准数据集上总体精度提高6.8%。(3)针对当前问答系统只能基于问答对完全匹配才能得到答案,不能很好地理解用户意图。本文使用改进和提出的关系抽取算法模型结合问答系统相关技术,构建改进的问答系统,做到有效地识别用户意图,从而得到用户所需答案。
基于知识图谱的科研管理领域智能问答系统
这是一篇关于知识图谱,问答系统,关系预测,科研管理的论文, 主要内容为在科研管理领域,随着信息化建设工作的逐步深入,积累了海量的科研数据,迫切需要一种更高效的方式进行存储。同时,对于科研管理人员而言,传统科研信息管理系统的查询操作繁琐且无法按需检索,使用成本较高。基于知识图谱的问答系统(Knowledge Graph Question Answering,KGQA)可以有效地解决上述问题。目前,中文知识问答方法对于简单问题具有较好的效果,但在解决复杂问题方面不够理想。在复杂问题知识问答中,候选路径的召回规模随关系度数逐级增加而影响关系预测任务的性能。针对这一问题,本文提出了一种基于意图导向的两阶段关系预测方法,将关系预测分解为意图识别和路径匹配两个子任务。在意图识别任务中,本文设计了限定域意图分类体系的构建方法,并结合预训练语言模型ERNIE和Text CNN模型的优势,提出了融入实体类型信息的ERNIE TextCNN模型;在路径匹配任务中,本文在孪生网络的基础上,将ERNIE模型应用于Triplet网络结构中,提出了Triplet ERNIE模型,优化了模型训练的目标。同时,构建了问答任务相关的问句意图分类数据集SRMQI和问句路径匹配数据集SRMQP,在该数据集上分别对意图识别模型和路径匹配模型进行相关实验,结果验证了改进模型的有效性。最后,将基于意图导向的两阶段关系预测方法与单阶段方法进行对比,证明了该方法能够显著降低候选路径的召回规模,并提高关系预测任务的准确率。本文将上述关系预测方法应用于实际系统,实现了基于知识图谱的智能问答系统。该系统不仅能够回答与知识图谱中结构化知识相关的简单和复杂问题,还能够回答科研管理领域的常见问题,同时展示给用户系统的回答依据并对用户的历史问答记录进行管理。经过测试,系统的整体性能能够满足科研管理领域的问答需求。综上所述,本文构建的智能问答系统能够为科研管理人员提供更灵活的检索方式,提高科研管理工作的效率,同时也为日后中文限定域知识图谱问答系统的构建工作提供参考。
基于知识图谱的柑橘病虫害问答系统设计与实现
这是一篇关于柑橘病虫害,知识图谱,问答系统,朴素贝叶斯分类器,问句泛化的论文, 主要内容为信息技术服务和提升农业产业是推动国家新农村建设、落实乡村振兴战略的重要举措。柑橘栽培面积大、产量高,在我国农产品种植中占有重要地位。在柑橘种植培育过程中,除气候影响和人为因素外,病虫害对柑橘生长的影响也尤为重要。但目前柑橘病虫害知识多以图书文献形式出现,柑橘种植人员往往无法及时获取柑橘病虫害知识和解决栽培过程中的问题。为帮助柑橘种植户及时、准确地处理生长过程中的病虫害问题,本文基于知识图谱构建了柑橘病虫害知识库,设计并实现基于知识图谱的柑橘病虫害问答系统,为柑橘栽培人员提供便捷准确的信息服务。主要工作如下:(1)柑橘病虫害知识图谱构建。鉴于目前柑橘病虫害开源数据库缺乏,且实际存在的数据也比较分散,本文采用以自顶向下为主、自底向上为辅的知识图谱构建方式,设计柑橘病虫害知识图谱总体结构,即先运用自顶向下的思想构建出柑橘病虫害知识图谱领域模型,再运用自底向上的思想进行结构上的补充。在柑橘病虫害知识获取方面,以农业科学叙词表为主,通过爬取百度百科、各大农业网站为辅的方式进行知识采集,并采用Deepdive为主和人工辅助对数据进行知识补全、降低冗余等预处理操作实现实体抽取和关系抽取,得到柑橘病虫害三元组。针对数据存储的问题,先以csv格式文件对数据进行保存,然后再用LOAD CSV方法将数据传入到Neo4j图数据库中存储并展示。(2)基于知识图谱的柑橘病虫害问句分类研究。首先对获取的问句集做预处理工作,通过Han LP对问句集进行自定义词性处理,并将特征词加载入词典中,在此基础上,设计柑橘病虫害问答系统的问题模板与训练集,对训练集进行问句泛化处理,得到泛化前后的训练集,再采取基于Spark的朴素贝叶斯进行问句分类。实验结果表明,基于Spark的朴素贝叶斯比常用的基于特征词方法的F1值要高出15.9%,达到了77.4%,且问句泛化后朴素贝叶斯分类方法的F1值比问句泛化前高出4.3%。(3)基于知识图谱的柑橘病虫害问答系统设计与实现。在分析柑橘病虫害问答系统需求的基础上,完成系统架构和功能模块设计,用户前端输入的问句后经过Han LP进行分词处理,将得到的信息传递给朴素贝叶斯分类器,经过计算得到模板索引值和关键特征,再通过图数据库Neo4j完成问句答案检索,实现柑橘病虫害交互式问答。综上所述,本文实现的基于知识图谱的柑橘病虫害问答系统,在交互性、准确性和性能等方面效果较好,能够根据用户提出的问题快速返回答案,满足柑橘种植用户病虫害领域知识获取的需求。
面向非结构化文本的问答系统中答案抽取技术研究
这是一篇关于问答系统,答案抽取,深度学习,答案选择,机器阅读理解的论文, 主要内容为搜索引擎是用户获取知识和答案的重要渠道,通过用户在搜索框中输入的query,搜索引擎返回排序好的网页集合供用户浏览,用户需要快速浏览一些网页,根据自身的辨别能力找到目标答案的具体位置,整个流程费时费力。基于自然语言处理技术的问答系统是传统搜索引擎的重要改进方向,能够帮助用户获取精确简短的答案。维基百科,百度百科等非结构化文本是构建问答系统的重要数据来源。和基于知识图谱等结构化知识的问答系统相比,非结构化文本数据规模庞大而且容易获取,为了提高系统返回答案的准确性,首先根据问题的意图缩小答案候选句子集合,然后进行答案精确定位。本文针对问答系统中候选答案句子选择及精确答案定位技术进行了研究。对于候选答案句子选择,本文从两方面进行了研究:1)本文使用传统机器学习方法对问题句和答案句之间的关系进行建模,提取三个方面的特征:基于句子向量表征的相似度特征,基于词共现的特征以及句子本身的长度等基本特征,本文使用SVM和Xgboost分类器,给出问题句和每一个候选答案句子的分数,用于答案排序。2)本文还使用CNN,LSTM等深度学习模型对句子进行语义表示,采用pairwise方法进行训练,实验结果优于传统机器学习方法;对于精确答案定位的研究,本文将该任务看作机器阅读理解任务,提出了适用于阅读理解任务的baseline模型,并在该模型的基础上,对输入特征和模型结构进行改进:使用多层双向LSTM代替单层单向LSTM、引入注意力机制增加问题和答案句子的语义交互、增加预训练的ELMO词向量以及多个模型集成的方法提升EM和F1指标。实验证明,这些方法在基础模型上效果提升明显,适用于机器阅读理解任务。
基于知识图谱的人身保险问答系统的设计与实现
这是一篇关于知识图谱,问答系统,人身保险,命名实体识别,BERT的论文, 主要内容为人身保险作为一种风险转移工具,可以为人们的健康和财产安全带来一定的保障,目前市面上人身保险产品的种类和数量繁多,然而保险产品的具体信息以专业性的条款文件形式进行展示,因此缺乏专业保险知识的人们在购买保险时很难快速了解一款保险产品。在一些专业的保险平台上会提供常见保险问题以及对应的解答,但是并不提供搜索功能,所以不方便人们查找想要的问题和答案。针对这些问题,本文利用知识图谱的相关技术将人身保险领域的非结构化文本和半结构化文本转换为知识图谱形式的结构化数据,并且在人身保险知识图谱的基础上研究自动问答的方法,最后构建出基于B/S架构的在线保险问答平台。具体研究内容可以分为以下3个部分:1.提出一套完整的人身保险知识图谱的构建方法。首先以保险条款文件的非结构化文本数据和保险测评网站提供的半结构化保险产品数据作为知识来源,通过分析数据中的具体内容,采用自顶向下的方法构建人身保险知识图谱的概念(Schema)层。然后对数据进行清洗,去除数据中的冗余信息,采用BIO的命名实体标注策略对保险文本中的实体进行人工标记,使用BERT-Bi LSTM-CRF作为保险实体识别模型,通过基于规则的方法抽取出实体的属性和实体间关系。最后将所有的保险三元组信息存储到Neo4j图数据库中,从而构建出一个由人身保险产品信息组成的知识网络即知识图谱。2.提出了人身保险领域的自动问答方法。本文研究的保险问句分为知识类和常识类,相应地将自动问答分为知识图谱问答和检索式问答两部分的研究。知识类问句的答案从知识图谱中查询,因此首先根据知识图谱Schema层确定出问答系统支持哪些知识类问句。然后使用BERT-Bi LSTM-CRF模型识别出问句的中心实体,使用基于特征词匹配的方法确定问句的意图,最后将中心实体和问句意图填充至查询模板中构成Cypher语句,并执行查询语句获得答案。常识类问句的答案需要从问答库中匹配,使用网络爬虫获取问答对作为后端问答库,首先使用字符匹配的方法从问答库中召回部分候选答案,然后将用户问句和候选答案拼接起来输入到基于BERT-Bi LSTM-CNN的答案选择模型中,对候选答案进行排序,将排列最前的作为最优答案。3.构建了基于B/S架构的在线保险问答平台。此问答平台为用户提供了保险实体识别和保险问答的功能。系统总体架构由数据层、模型层、业务层和Web层构成,数据层提供了对知识图谱和问答库的存储和访问接口;模型层提供了保险实体识别模型和答案选择模型,为业务层提供具体服务;业务层包括保险实体识别、知识图谱问答和检索问答三个功能模块;Web层为用户提供了与业务层进行交互的接口,主要包括保险实体识别、问答和知识图谱展示等页面。
基于微服务的智能实验教学管理系统的设计与实现
这是一篇关于在线实验教学,微服务,问答系统,中文分词,前后端分离的论文, 主要内容为随着当今时代互联网技术的不断发展,互联网在各个领域持续赋能,特别是在教育领域中,出现了越来越多的在线教育形式。其中在线学习系统被广泛运用到国内外众多高校的网络教学当中,学生可以随时随地在系统中学习。但是在高校实验教学中,学生遇到的问题往往更加细分化,学生无法快速地从大量的资源中精准定位自己亟需的内容。同时,剧增的用户量对系统的高可用、高并发等性能要求越来越高。因此论文研发设计了一个在线实验教学管理系统,主要工作如下:首先,论文研究了基于Lucene的Elastic Search搜索引擎,并对其内置中文分词组件进行了算法研究与实验分析,阐述了其在实际应用中的存在精确度、匹配度低的问题。随后对第三方中文分词组件IK-Analyzer的算法、工作流程进行了研究,并在实际应用场景中进行实验分析,指出了其受歧义词义干扰大,以及字典规模庞大造成的匹配度低、搜索速度较慢的问题。在此基础上,论文提出了基于Set词库的IKAnalyzer中文分词优化算法。然后,论文进行了需求分析,根据功能性需求主要设计了用户服务模块、讲师管理模块、课程管理模块、文件上传与播放模块、智能问答搜索模块、统计与分析模块。根据非功能性需求,设计了系统软件架构,在传统视图模型控制器(Model View Controller,MVC)架构的基础上,采取了前后端分离架构对项目前后端开发进行解耦,进一步降低系统耦合,采用了微服务架构实现了易扩展、高可用、高性能的系统架构。在前端项目中,系统运用了Vue+Element-ui框架开发前端页面,并使用Echarts框架实现网站统计数据的可视化图表展示,应用Kibana实现系统日志的可视化展示。在后端项目中,系统采用了Spring Cloud+Spring Boot+Mybatis-Plus+Nginx等框架,角色权限管理方面,采用了Spring Security框架,与传统权限管理工具相比,其具有更高的可扩展性。在系统问答模块中,引入Elastic Search智能搜索引擎,以及基于Set词库的IK-Analyzer中文分词优化算法。最后,在系统部署方面,采用了Docker+Jenkins进行自动化部署,使得部署流程简单高效,为扩展服务器提供了便捷。在测试方面,论文采用Swagger组件自动生成接口文档并进行了接口测试,对各个模块进行了功能测试,确保了各功能模块的稳定运行,同时对系统的响应时间、并发性能进行了测试,保证了系统的低响应、高可用的优良性能,满足了用户的需求。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计工坊 ，原文地址：https://m.bishedaima.com/lunwen/45008.html
