9篇关于知识问答的计算机毕业论文

今天分享的是关于知识问答的9篇计算机毕业论文范文, 如果你的论文涉及到知识问答等主题,本文能够帮助到你 面向飞航构件的激光焊接工艺智能设计系统研究 这是一篇关于飞航构件

今天分享的是关于知识问答的9篇计算机毕业论文范文, 如果你的论文涉及到知识问答等主题,本文能够帮助到你

面向飞航构件的激光焊接工艺智能设计系统研究

这是一篇关于飞航构件,激光焊接,智能设计,知识问答,案例推理的论文, 主要内容为目前某飞航构件在热加工工艺设计过程中存在工艺设计经验和设计案例等工艺知识未有效收集和应用的问题,造成飞航构件在工艺设计过程中仍然依赖大量试错式的工艺试验获取较优的加工工艺参数,而这种方式使得构件尺寸超差等问题凸显,严重影响了飞航产品的整体质量,因此研究如何利用工艺设计过程中产生的工艺知识,实现热加工工艺的智能设计具有重要意义。基于上述问题本文开展了针对飞航构件的激光焊接工艺智能设计方法研究,依托飞航构件的激光焊接工艺知识库,提出一种知识问答完成参数设计,案例推理进行参数校正的智能设计方法。本文主要研究内容如下:基于知识图谱的飞航构件激光焊接工艺知识问答方法。针对工艺设计过程中大量的工艺知识与设计经验未得到有效收集与应用的问题,本文采用自顶向下的图谱构建方法,构建了飞航构件激光焊接工艺知识图谱,基于知识图谱完成知识问答方法的设计,实现工艺知识的收集与应用。针对工艺人员提出的多类工艺问题需求,本文提出Ro BERTa-Bi GRU-MHA(RBGMA)的激光焊接工艺问题意图识别模型,实现工艺问题的准确分类,并通过本文构建的激光焊接工艺知识问题语料集,进行模型识别精度对比实验,结果表明RBGMA模型的识别精度优于常用的CNN、RNN和Ro BERTa模型。基于灰色关联算法的飞航构件工艺案例推理方法。本文收集完成的飞航构件激光焊接工艺设计案例,整理形成工艺设计案例库,实现对案例知识的收集,并基于案例推理的基本原理,采用通过层次分析法进行权重修正的灰色关联度案例推理方法,构建以焊接缺陷为目标的案例推理模式,帮助设计人员依照推理获取的案例缺陷形式对设计案例进行参数调整,实现案例知识的重用。飞航构件的激光焊接工艺智能设计系统开发。基于上述关键技术的研究,本文以飞航构件激光焊接知识图谱与工艺设计案例库为数据基础,采用Java编程语言,基于Spring Boot与Vue开发框架,实现了以知识问答与案例推理为核心业务的交互式激光焊接工艺智能设计系统,为工艺设计人员提供了面向飞航构件的激光焊接工艺设计知识服务平台,提升了飞航构件在激光焊接工艺设计过程中的智能化与信息化水平。

面向软件开发领域的知识问答系统设计与实现

这是一篇关于知识问答,软件开发领域,复杂问题,知识图谱,软件开发知识库的论文, 主要内容为当今社会,随着信息科技的不断进步,软件开发领域已经得到迅速发展,相关的软件开发知识种类和数据量也在不断增加,如何从这些种类繁杂、数量巨大的数据中为开发者推荐合适、有效的软件开发知识成为当前软件开发领域的主要内容。传统的以搜索引擎为主的知识获取方法,通过匹配关键词可以获取一系列相关的信息来推荐给用户。近几年,特别是在2012年谷歌提出知识图谱的概念之后,利用知识图谱的相关技术进行知识问答等方面的研究已经有了很大的发展。但是,对于软件开发领域的知识问答来说,还有许多不足:(1)现在对于软件开发领域的知识来说,分布相对比较零散,许多信息都是散落在各个不同的网站上,人们往往需要搜索引擎多次查找才能得到需要的答案,缺少软件开发知识的自动收集机制;(2)现有的软件开发知识相对分散,缺少业界统一的一致的规范和标准,没有针对软件开发这一特定的领域来专门设计一个专业领域知识库;(3)通过观察研究StackOverflow、CSDN等网站上的一些软件开发领域的“问题-答案对”发现,大多数问题都是会涉及到多个实体、关系的问题,相对应的答案也往往是多个且形式多样,对于这种复杂、开放的软件开发领域问题,传统的知识问答方法存在不足。传统的知识问答方法大部分都是对一些简单事实问题进行研究的,不能很好的支撑软件开发领域的复杂、开放的问题。因此,如何对软件开发领域这种复杂、开放的问题进行回答,成为现阶段需要研究和解决的问题。本文针对以上所陈列的各种问题,进行了深入的研究,主要工作有:1.实现了异构多源软件开发知识的自动化收集。为实现对软件开发领域知识的自动化收集,构建并行化的爬虫程序,对各类关于软件开发的网站上的数据集进行爬取,如维基百科、StackOverflow、GitHub等。2.构建了统一的软件开发知识图谱。构建适用于软件开发知识问答的软件开发知识图谱,设计软件开发知识库。首先,对收集到的问答数据进行分析、总结,得到软件开发领域问题及相对应答案的特征;然后对这些数据进行预处理,提取数据中的实体、关系以及属性等信息;最后利用收集的软件开发知识数据集以及从维基百科等网站上爬取的关于软件开发这方面的知识和软件开发领域问题答案特征,对通用知识图谱的构建方法进行了改进,使用Neo4j等图数据库进行数据存储,构建了适用于软件开发知识问答的软件开发知识库。3.提出了一种面向软件开发领域复杂问题的知识问答方法。该方法是通过在知识图谱中找到与用户问句描述最相符的相似问题实体,并将其答案作为最终用户问句的答案。该方法主要包括两个方面,一是用户问句的嵌入表示,它是在融合了知识图谱中知识层面的信息和结构信息后,对问句进行联合的嵌入表示;二是构建了用户问句的知识体系,并将其与注意力机制相结合来表征用户的真实意图。最后,构建了一个得分函数来计算相关性得分,获取与用户问句最相符和的候选问句,并将其答案作为用户问句的答案。4.设计并实现了面向软件开发领域的知识问答系统。分析传统知识问答方法的缺陷和用户日益增长的需求,以提出的知识问答方法为基础,设计了面向软件开发领域的知识问答系统,以实现对软件开发领域复杂、开放的问题进行有效地回答。本文通过自动化收集异构多源的软件开发知识,构建软件开发知识图谱,提出面向软件开发领域的知识问答方法,设计并实现了面向软件开发领域的知识问答系统。对知识问答系统进行了功能和性能上的检验,结果表明系统具有较好的稳定性,所提出的知识问答方法也取得了良好的效果。

基于Neo4j图数据库的CVD知识图谱的构建与应用

这是一篇关于知识图谱,图数据库,知识问答,命名实体识别的论文, 主要内容为医疗领域的数据日益增长,知识图谱能够将零碎的数据连接起来,利用已有的数据去挖掘有价值的潜在的关系,从而实现医学知识的整合。在医疗领域中,慢性静脉疾病的诊疗标准复杂,医学知识专业性强,导致医生和患者掌握的医疗信息不对称,因此如何利用知识图谱降低医生和患者之间的沟通成本,成为医疗领域迫切需要解决的问题。针对上述的问题,提出了面向医疗领域知识图谱的构建方法,并且基于该知识图谱实现了知识问答的应用。利用网络爬虫爬取医疗数据,并且收集慢性静脉疾病相关的电子病历和临床指南,定义知识图谱的属性图,通过py2neo组件和load csv命令导入Neo4j图数据库。为了更直观地展示知识图谱的实体与关系,可视化查询利用Vue+Flask框架实现前后端分离,查询结果以echarts关系图的形式呈现。知识问答利用Aho-Corasick算法进行分类并解析,根据不同的分类调用对应的Cypher查询语句。同时,命名实体识别在知识图谱的构建中有着重要的作用,应用BiLSTM-CRF模型进行医学文本的命名实体识别。结合慢性静脉疾病的医学知识,知识图谱能够有效地组织和管理医疗领域的知识,解决了在慢性静脉疾病的诊疗体系中缺少领域知识图谱的问题,为医学数据处理提供了一种新思路。同时以此为基础,为医生和患者提供了集关系查询、实体查询、医学实体识别、知识问答等功能于一体的可视化医疗平台,缓解了医生和患者之间医疗信息不对等的问题。

基于知识图谱的农业知识服务系统研究

这是一篇关于农业知识服务,知识图谱,农业病虫害,实体链接,知识问答的论文, 主要内容为农业知识服务是人工智能领域及农业信息化的前沿热点问题。农业知识问答是实现农业知识服务的一种重要手段。传统的问答以大量网页文本作为检索库,采用基于关键词或浅层语义分析等方法实现检索,答案冗余,难以满足用户精细化需求,用户体验感差。因此,本文从构建农业病虫害知识图谱入手,针对农业知识问答系统相关技术展开深入研究。本文主要内容如下:(1)构建农业病虫害知识图谱。基于知识图谱的构成逐步展开构建工作。首先,根据数据分类标准生成本体层,在其基础上扩展实体层,初步形成知识图谱。其次,为实现知识图谱可视化,增加可扩展性,研究基于Neo4j图数据库的知识图谱存储。农业病虫害知识图谱为实现知识问答提供知识库的支撑。(2)提出一种基于主题模型与图的实体链接算法(Entity Linking Algorithm based on Topic Model and Graph,ELTMG)。任何知识图谱都难以覆盖现实世界的所有实体,实体链接既是扩充知识图谱的关键技术,也是实现知识问答的关键步骤。因此,针对现有实体链接技术较少有同时考虑实体语义关联及实体上下文的问题,结合主题模型与实体语义图,引入实体相似度作为节点权重,实现实体链接。该算法的实验结果表明,ELTMG算法可以更好的实现实体到知识库的链接。(3)研究基于知识表示的知识问答方法,设计开发农业病虫害知识问答系统。该方法以农业病虫害知识图谱为基础知识库,以中文DBpedia作为补充知识库,采用ELTMG方法缩减问题查询范围,结合word2vec方法及TransE模型,实现知识问答。本文将该方法用于知识问答系统,系统包括知识问答模块以及农业知识图谱展示模块,旨在为用户提问提供准确的回答。

基于旅游知识图谱的知识问答方法的研究

这是一篇关于知识问答,知识图谱,命名实体识别,属性链接,词向量的论文, 主要内容为现如今,知识图谱(Knowledge Graph)已经成为大数据时代的重要工具,被广泛应用于下一代搜索引擎、智能问答和推荐等领域。基于知识图谱的问答一直是自然语言处理领域讨论的热门话题,由于自然语言处理技术日趋成熟和高质量通用领域知识图谱的相继出现,针对通用知识图谱的知识问答研究较多,且研究成果丰硕。目前,旅游领域已经出现了部分构建旅游知识图谱研究论文,甚至已经有公开的旅游知识图谱可供查阅。然而,论文和已公开的旅游知识图谱大多仅考虑旅游景点信息,没有考虑旅游过程中可能存在的吃住购等消费信息,同时已公开的旅游知识图谱的数据量较少,进行知识问答研究的效果不佳,无法满足游客对于旅游问答的需求。因此,构建一个可同时满足游客旅游需求的知识图谱,并基于此知识图谱服务于游客已经成为旅游研究的一个热点问题。针对以上问题,本文给出了解决思路,主要的研究内容如下:(1)旅游知识图谱构建。当前旅游知识图谱大多仅关注景点信息而忽略了旅游领域“吃住行游购娱”的需要,为了更好的满足游客需求,本文对已有的景点旅游知识图谱进行了知识扩充,添加了餐厅、酒店、购物中心等信息。同时,本文使用BERT模型和Ratio Distance算法结合的方法将本文构建的旅游知识图谱和已有的线路知识图谱进行融合,通过添加线路信息进一步扩充旅游知识图谱。(2)基于BiLSTM+CRF+TERA进行问句旅游实体识别研究。BiLSTM+CRF模型被用来进行命名实体识别研究,然而该模型被应用于旅游领域时无法准确识别部分旅游领域实体。基于上述问题,本文提出旅游实体识别算法(Tourism Entity Recognition Algorithm,TERA)。该算法沿用了最大匹配算法的思想,以旅游领域实体大多为名词或由名词组成这一特点来设计。整个旅游实体识别研究使用BiLSTM计算各词被标注成各标签的概率,使用CRF模型获取最优标签组合,最后将模型无法准确识别的实体使用TERA进行识别。实验表明,在BiLSTM+CRF模型的基础上添加TERA可以更好的提高旅游实体识别的准确率。(3)基于融合注意力机制的Siamese LSTM进行问句属性链接研究。使用Siamese LSTM提取问句和知识图谱中存储的三元组中的候选属性集的语义特征,引入注意力机制突出句中的关键信息,最后计算提取的问句和属性的语义特征的相似度,选择候选属性集中与问句相似度最高的属性。实验表明,使用融合注意力机制的Siamese LSTM比单纯使用Siamese LSTM进行属性链接的准确率高。综上,本文构建了多源融合的旅游知识图谱,并使用BERT模型和Ratio Distance算法结合的方法融合线路知识图谱得到包含旅游线路信息、旅游景点信息、餐厅信息、酒店信息和购物中心信息的一个完整的小型旅游知识图谱;本文使用(2)(3)中提到的模型算法进行问答方法的研究,最终结合两种方法实现基于旅游知识图谱的知识问答。实验证明,本文提出的研究方法模型在训练效率上有一定的提高,且可服务于旅游领域。

温病学派古籍的知识图谱构建与应用

这是一篇关于温病学派,中医古籍,知识建模,知识图谱,知识问答的论文, 主要内容为目的:温病学派古籍记载的大量碎片化知识及相关条文,研究温病学派古籍为主题的知识图谱构建及应用方法,可为温病学派古籍知识的合理组织及推荐应用开辟新思路,促进中医药古籍知识的高效组织、有效继承与良好发展。方法:1.知识表示与建模:以温病学派古籍文献为知识来源,对其中包含的知识元素的概念类型、属性及知识结构等进行总结,刻画,对知识元素间的相关性进行共现分析,明确核心概念,构建反映温病学派古籍知识体系的知识模型,为后续知识图谱的构建奠定基础。2.知识图谱构建研究:对获取的古籍文本数据,通过doccano文本标注平台进行命名实体标注,借助自然语言处理工具包Han LP,编写Python代码实现基于规则和自定义词典的知识抽取与命名实体识别,并结合人工校对获得相关实体。对获得实体进行知识规范化及实体对齐,结合实体间关系,采用基于Anaconda3平台,Jupyter Notebook(Python3.8)使用py2neo库进行批量导入,建立温病学派古籍知识图谱。3.知识图谱应用探索:以前述研究构建的知识图谱为基础,选择Java作为程序设计语言,采用HTML5+Java Script+j Query+Vue+Element UI进行前端开发,采用Spring Boot+Spring MVC+Spring Data JPA进行后端开发,使用Echarts进行可视化展示,前后端通过Ajax实现数据交互,数据库方面采用Neo4j+SQLite数据库存储信息,构建温病学派古籍知识问答系统。结果:1.知识表示与建模:对温病学派古籍原文进行整理,共得到4996条有效数据,将其分为中药、方剂、医理三大主题。根据对知识结构的分析,中药类,方剂类主题内包含的知识元素较为一致,且结构相似,医理类主题条文表述自由,包含信息复杂,涉及概念种类丰富,缺乏一定的规律性。通过对概念及属性间的共现分析确定纳入最终知识模型的概念及属性并根据语义对概念间关系进行设计,完成知识建模。知识模型共包含相关概念7个,属性18个,概念间关系13条。2.知识图谱构建研究:对获得的温病学派古籍文本进行实体抽取,知识规范化及实体对齐等,最终获得1408个规范化表述的实体及16629条实体间关系,并导入Neo4j图数据库中进行存储。3.知识图谱应用探索:以构建的知识图谱为基础,从功能需要,用户需求等入手设计并实现温病学派古籍知识问答系统。结论:构建温病学派古籍知识图谱能够很好的将知识进行组织和整合,辅助建立更为全面、完整的知识体系,知识图谱作为知识组织的有力工具,其优势为对复杂关系的支持及直观、便捷的展示,故使用知识图谱组织温病学派古籍知识是正确的选择。通过构建知识图谱并结合知识问答,知识检索相关技术能够实现对温病学派古籍内知识的快速获取,为温病学派古籍的信息化奠定基础。

面向软件开发领域的知识问答系统设计与实现

这是一篇关于知识问答,软件开发领域,复杂问题,知识图谱,软件开发知识库的论文, 主要内容为当今社会,随着信息科技的不断进步,软件开发领域已经得到迅速发展,相关的软件开发知识种类和数据量也在不断增加,如何从这些种类繁杂、数量巨大的数据中为开发者推荐合适、有效的软件开发知识成为当前软件开发领域的主要内容。传统的以搜索引擎为主的知识获取方法,通过匹配关键词可以获取一系列相关的信息来推荐给用户。近几年,特别是在2012年谷歌提出知识图谱的概念之后,利用知识图谱的相关技术进行知识问答等方面的研究已经有了很大的发展。但是,对于软件开发领域的知识问答来说,还有许多不足:(1)现在对于软件开发领域的知识来说,分布相对比较零散,许多信息都是散落在各个不同的网站上,人们往往需要搜索引擎多次查找才能得到需要的答案,缺少软件开发知识的自动收集机制;(2)现有的软件开发知识相对分散,缺少业界统一的一致的规范和标准,没有针对软件开发这一特定的领域来专门设计一个专业领域知识库;(3)通过观察研究StackOverflow、CSDN等网站上的一些软件开发领域的“问题-答案对”发现,大多数问题都是会涉及到多个实体、关系的问题,相对应的答案也往往是多个且形式多样,对于这种复杂、开放的软件开发领域问题,传统的知识问答方法存在不足。传统的知识问答方法大部分都是对一些简单事实问题进行研究的,不能很好的支撑软件开发领域的复杂、开放的问题。因此,如何对软件开发领域这种复杂、开放的问题进行回答,成为现阶段需要研究和解决的问题。本文针对以上所陈列的各种问题,进行了深入的研究,主要工作有:1.实现了异构多源软件开发知识的自动化收集。为实现对软件开发领域知识的自动化收集,构建并行化的爬虫程序,对各类关于软件开发的网站上的数据集进行爬取,如维基百科、StackOverflow、GitHub等。2.构建了统一的软件开发知识图谱。构建适用于软件开发知识问答的软件开发知识图谱,设计软件开发知识库。首先,对收集到的问答数据进行分析、总结,得到软件开发领域问题及相对应答案的特征;然后对这些数据进行预处理,提取数据中的实体、关系以及属性等信息;最后利用收集的软件开发知识数据集以及从维基百科等网站上爬取的关于软件开发这方面的知识和软件开发领域问题答案特征,对通用知识图谱的构建方法进行了改进,使用Neo4j等图数据库进行数据存储,构建了适用于软件开发知识问答的软件开发知识库。3.提出了一种面向软件开发领域复杂问题的知识问答方法。该方法是通过在知识图谱中找到与用户问句描述最相符的相似问题实体,并将其答案作为最终用户问句的答案。该方法主要包括两个方面,一是用户问句的嵌入表示,它是在融合了知识图谱中知识层面的信息和结构信息后,对问句进行联合的嵌入表示;二是构建了用户问句的知识体系,并将其与注意力机制相结合来表征用户的真实意图。最后,构建了一个得分函数来计算相关性得分,获取与用户问句最相符和的候选问句,并将其答案作为用户问句的答案。4.设计并实现了面向软件开发领域的知识问答系统。分析传统知识问答方法的缺陷和用户日益增长的需求,以提出的知识问答方法为基础,设计了面向软件开发领域的知识问答系统,以实现对软件开发领域复杂、开放的问题进行有效地回答。本文通过自动化收集异构多源的软件开发知识,构建软件开发知识图谱,提出面向软件开发领域的知识问答方法,设计并实现了面向软件开发领域的知识问答系统。对知识问答系统进行了功能和性能上的检验,结果表明系统具有较好的稳定性,所提出的知识问答方法也取得了良好的效果。

扶贫领域知识图谱的构建及应用研究

这是一篇关于知识图谱,扶贫本体,实体识别,关系抽取,知识问答的论文, 主要内容为随着智能设备的普及和互联网的高速发展,网络上的数据呈爆炸式增长,并且数据背后存在着大量离散信息以及复杂关系。为了能够高效的利用网络数据,国内外的企业和研究机构纷纷构建特定领域的知识图谱服务于未来智能生活工作场景。知识图谱能够打破传统数据存储媒介的局限,让原本相对孤立、离散的多源异构数据形成统一的网络结构,为智能问答、智能搜索和推荐等应用提供底层数据和技术支持。我国政府一直致力于解决存在的贫困问题,但由于各地政府的扶贫基础数据存储相对独立且结构不尽相同,不易实现数据的互通共享,因此国家难以制定精准有效的扶贫策略来解决贫困难题。知识图谱技术的出现为这一难题提供了新的解决思路。目前国内针对扶贫领域知识图谱的研究工作十分匮乏,为此,本文针对政府扶贫数据开展了扶贫领域知识图谱的构建及应用研究工作,对知识抽取、数据融合和系统构建及应用等方面的具体操作进行了详细阐述,这对充分利用扶贫领域数据提供了极大地帮助。本文研究扶贫领域知识图谱的构建方法及应用系统的实现,希望通过将知识图谱技术应用到扶贫领域,从而实现政府开放数据的高效利用,服务于精准扶贫的需求。首先,对政府扶贫数据集进行数据分析和整理,分析后提取其中主要的类、对象及其属性,构建扶贫领域本体作为知识图谱的上层数据规范。然后,依据构建的本体用数据集成工具Karma将原始数据进行概念和数据之间的语义映射,集成后发布成统一的RDF三元组数据。针对数据集中的无结构文本数据,主要使用自然语言处理中的实体识别和关系抽取技术,利用深度神经网络算法解决了对无结构化文本中人物关系三元组数据的抽取。将抽取到的三元组信息进行融合和解析后,根据知识图谱中三元组数据的特点,采用基于图结构的Neo4j图形数据库作为数据存储方案。最后,基于构建的知识图谱设计开发了扶贫知识图谱应用系统,实现了数据检索和智能问答等功能。本文从政府扶贫数据出发,通过构建知识图谱解决了各数据源之间孤立且结构不统一的问题。同时将整合后的数据存储在Neo4j图数据中克服了传统数据库对多层深度查询能力不足的缺点。基于此方法设计的知识图谱,极大地节省了整合多源异构数据及知识图谱构建的时间,提高了用户获取精准信息的速度,对于满足政府精准扶贫等需求具有重要意义。

基于深度学习的高校学生胜任力知识图谱构建与应用

这是一篇关于胜任力模型,知识图谱,实体识别,关系识别,知识问答的论文, 主要内容为胜任力的培养对学生自身素质的提高和职业道路的发展起着至关重要的作用,随着高等教育的普及,人们愈发将其寄希望于大学校园。在这一背景下,为学生提供以胜任力为导向的知识服务变得愈发重要。高校作为人才培养的主体,在教学活动中产生了大量的教学数据,这些数据对学生胜任力的培养具有重要的指导作用。与此同时,企业在网络上发布的各种岗位信息逐渐成为学生胜任力培养的风向标。但是,专业词汇的描述具有一定的领域性,教学数据及网络数据均十分庞杂且关联性不强。在进行胜任力相关知识的学习时,学生不仅需要花费大量的精力去检索和整合信息,而且很难将这些零散的知识嵌入到胜任力培养的过程中。因此,如何对与高校学生胜任力相关的多源异构数据进行知识的整合、管理和应用是一个具有重要意义的研究问题。知识图谱的发展为数据的整合提供了一个优质的解决方案。本文利用知识图谱相关技术,构建了高校学生胜任力知识图谱,希望通过整合相关数据,在方便学生学习的同时也为与学生胜任力相关的智能应用提供数据支撑。本文的主要研究内容如下:(1)通过对多源异构数据的分析和处理,本文定义了学生胜任力知识图谱的数据模式,包含7种实体及各个实体之间的8种关系。其中,针对学生胜任力定义的3种核心实体为知识(knowledge)、技能(skill)、素质(dispositions)。(2)针对实体识别任务,本文将BERT预训练模型与双向长短期记忆网络(BiLSTM)相结合,从而自动提取出输入序列中丰富的词级特征、语法结构特征和语义特征,完成对胜任力相关实体的分类。本文实体识别算法使用BiLSTM-CRF模型进行对比实验,结果显示,本文模型在准确率、召回率、F1值上分别提高了0.81%,3.59%,2.33%。(3)针对关系识别任务,本文将实体和实体位置信息引入BERT预训练模型,完成对关系的分类。本文关系识别算法使用BiLSTM、BiLSTM-Attention及分段卷积神经网络(PCNN)三种模型进行了对比实验,实验结果显示,本文算法在准确率、召回率和F1值上取得了最优结果。(4)本文构建了学生胜任力知识图谱,并基于所构建的知识图谱提出了一个学生胜任力知识问答平台,建立了一个由学校培养的胜任力到就业岗位需要的胜任力之间的桥梁,为学生提供以胜任力为基础的知识服务。最后,本文对于知识问答过程中的几个主要场景进行了举例说明,并给出了结果展示。

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:代码货栈 ,原文地址:https://m.bishedaima.com/lunwen/47782.html

相关推荐

发表回复

登录后才能评论