给大家推荐5篇关于问句理解的计算机专业论文

今天分享的是关于问句理解的5篇计算机毕业论文范文, 如果你的论文涉及到问句理解等主题,本文能够帮助到你

保险领域知识问答系统的研究与实现

这是一篇关于自然语言处理,问句理解,问句分类,问句匹配的论文, 主要内容为近年来,随着互联网的迅速发展和普及,各行各业都开始提供网络平台来完成与用户的交流与交易。为了能够及时地解答用户的疑惑,提高用户的使用体验,服务提供商通常都会提供人工客服平台来与客户进行交流,从而避免不必要的经济损失。然而,面对海量的在线使用者,人工客服会不可避免地遇到大量重复雷同的问题,消耗很多不必要的人力资源,在这种情况下,研发一个能够自动与用户完成问答交流的知识问答系统就显得尤为重要。在构筑知识问答系统的过程中,需要将用户输入问句映射到已有知识库问句中,而对问句分类能够缩小候选问句的数量,提升系统的响应效率,因此本文针对问句分类问题进行了深入的研究。本文基于对常见分类模型的研究结果,调研并实现了 MLP(Multilayer Perceptron,多层感知机)分类模型、CNN(Convolutional Neural Networks,卷积神经网络)分类模型、LSTM(Long Short-Term Memory,长短期记忆网络)分类模型三种常见的神经网络分类器。而后针对保险领域中的问句语料,提出了组合分类模型。利用线性回归的方法,将MLP、CNN、LSTM三种成熟的分类模型加以组合,构造了针对于本系统的组合分类模型,最后分别基于语料测试集和人工设计的问句测试集,设计实验对比了各个分类模型的分类效果,提高了问句分类模型的准确率。本文基于知识问答系统领域的研究现状,利用前文所述的研究成果,应用开源组合开发框架Spring,SpringMVC,MyBatis,实现了一个基于保险领域语料的知识问答系统。本文所设计实现的问答系统,在接收到用户的输入问句后,会对输入的问句依次进行问句理解、问句分类和问句匹配三步操作,从而在已经构筑好的知识库中寻找到相似的问句,将答案反馈给用户。如果问答系统无法在知识库中找到合适的答案,则通知工作人员进行人工回复,而后将人工问答的数据增加进数据库中,从而使得本系统具备不断完善,自我成长的能力。在问句理解模块,从多个维度研究归纳了理解问句隐含信息的方法,调研实现了各种问句理解的功能,包括:中文问句的分词处理,词向量模型的训练,问句疑问方向的识别,问句疑问类型的判断,问句句法结构的分析,问句主体的提取,语境上下文的补充等等。在问句匹配模块考虑到本文系统的独特环境,设计实现了基于问句理解结果的问句匹配模型,完成问句匹配的工作。

基于Web的智能答疑技术研究与实现

这是一篇关于智能答疑,全文信息检索,问句理解,答案匹配的论文, 主要内容为本论文结合全文信息检索新技术,提出了使用答案集相似度计算方法和答案重组的基于Web智能答疑技术,该技术主要包括三个组成部分:问句理解、信息检索和答案匹配与抽取。在问句理解模块中,本文利用自然语言处理技术中的词法分析和句法分析,对用户用自然语言提出的问题首先是进行最基本的预处理,包括问句分词和词性标注,然后去停用词后进行问题分类,提取问句特征项,并进行问句特征项扩展和疑问意向匹配。本文的词性标注模块使用了基于转换的错误驱动的学习方法,使用了信息增益法对问题类型进行提取,同时在问句特征项提取过程中使用知识点、疑问意向和问句类型细化的方式对关键词进行提取。在答案信息检索模块中,使用跨网页查询技术建立本地文档库,同时使用全文信息检索技术,该方式可以解决目前答疑系统因采用答案库,导致查询速度慢及跨平台性不高的缺陷。在信息检索过程中,对信息检索结果按照一定的规则进行排序和过滤,并进行了分页处理。在答案匹配与抽取中,由于答案信息检索后产生的答案片段集有很多,可选取最前面的若干个做进一步的答案片段过滤。对答案片段过滤后可以对这些答案集合两两进行相似度计算,选取相似最多的答案片段集合中的一个作为最终的答案,如果答案集中产生的答案都不相似,则可通过疑问意向词、问题分类词等信息做进一步的过滤,选取其中最前面的一个作为最终答案,然后通过对最终答案进行重组将答案返回给用户。最后本文利用JSP技术构建了并实现了一个基于Web的智能答疑系统,实验结果取得了不错的结果,但还有提高的空间。

基于知识增强的特定领域问句理解研究

这是一篇关于问句理解,知识图谱,问句生成,多路召回,超图的论文, 主要内容为问句理解是智能问答、搜索引擎、对话机器人等应用的关键技术,一直是NLP领域的一个研究热点。当前,面向特定领域的问句理解语义模型主要存在以下问题:(1)缺乏大量的高质量语料。针对语料缺乏及人工标注成本高的问题,业界往往利用有限的领域知识库来自动生成问句,目前基于知识图谱的问句生成模型没有综合考虑文本的相似性、句法与语法的相似性等多维语义,难以生成高质量的问句。(2)当前多路召回融合排序方法难以保证问句理解的高鲁棒性。当前问句理解方法通常基于多路召回再融合排序,由于排序时只考虑问句与单个召回答案之间的成对关系,难以考虑到召回序列的整体排序情况,因而存在理解效果不佳的问题。针对上述问题,本文主要基于知识图谱的问句生成和基于多路召回的问句理解研究开展了如下工作:(1)融合知识图谱和句法分析的复杂问句生成模型研究。针对问题一,提出一种融合知识图谱和句法分析的复杂问句生成模型,该方法通过在文本生成模型中融入知识图谱的结构信息来生成复杂问句,同时引入句法分析来评估生成问句与标准问句之间句法与语法的相似性,并以此设计了基于句法分析的损失函数指导模型训练。实验验证,利用该模型生成的问句更符合自然语言逻辑、更具有扩展性。(2)基于多路召回和超图重排的问句理解研究。针对问题二,提出一种基于多路召回和超图重排的问句理解方法,该方法利用超图上超边可以包含任意多个顶点的特性,将问句理解的排序过程转为基于超图的相似度计算,从而解决了以往方法难以考虑召回序列的整体排序情况的问题。实验验证,该方法能够捕获每个召回序列的内部排序情况,并通过候选集在不同召回序列中的位置来优化重排队列,以有效提高基于多路召回的问句理解方法精度。(3)智能问答原型系统的开发及应用。根据上述研究成果,本文设计并实现了一个面向特定领域的智能问答原型系统。该系统具有知识图谱导入、数据标注、问句生成、智能问答等功能。并基于该原型系统实现了面向学术领域的智能问答系统应用。

基于知识图谱的法律援助综合服务管理智能问答系统

这是一篇关于法律援助,知识图谱,问答系统,问句理解的论文, 主要内容为如今,我国不断推进法治进程,构建全面法治社会,民众的法律意识也随着逐步提高。但是由于法律的专业性强、法律咨询费高、法律援助的需求量大等问题,使得供求关系不平衡,因此畅通法律援助渠道和建立完善法律援助机制的任务至关重要。目前,我国建设智能法院也离不开法律的援助工作,但是通过人工咨询、网络百度等传统的方式,获得专业的法律知识比较困难,存在检索量大、检索难、费用高等问题,进而导致了部分群众懂法而不知如何用法的现象,比如,从近期国务院开展打击拐卖妇女儿童专项行动的例子中,就深切地感受到了我国法律援助工作任重而道远,也值得我们每个公民去努力。而在人工智能领域上智能问答系统的出现,为畅通法律援助渠道工作提供了一个研究方向,也会为我国建设社会主义法治社会带来重大的意义。当我们每个人遇到侵害时,瞬间可以想到的就是利用法律武器来保护自己,但是面对专业性极强的法律知识,往往第一时间会感到不知所措,究其根本原因不是不知法律的重要性,而是缺少用法律思维来处理遇到的问题。针对上述问题,基于知识图谱的法律援助综合服务管理智能问答系统的研究与实现,便可以迎刃而解。该系统是以自然语言的人机交互形式,使计算机能够理解用户的真正想法,以便给予下一步指示,可以解决目前遇到问题。因此,研发基于知识图谱的法律援助综合服务管理智能问答系统的研究与实现具有极强的应用价值和现实意义。利用知识图谱来实现法律援助的智能问答系统需要解决以下问题:首先,理解法律问句;其次,构建高质量知识图谱;最后,基于知识图谱的法律援助综合服务管理智能问答系统的研究与实现。其中,研究难点在于智能问答系统如何理解多样化的自然语言表达,而识别问句在知识图谱中对应的命名实体及实体关系是研究的重点,本文创新性地提出了一种基于字词嵌入层的Att-Bi LSTM-CRF模型,可以深入理解用户以多样化的自然语言提出的问句,并返回一个尽可能简洁准确的答案模型。通过与CBOW模型、基于嵌入层的Bi LSTM-CRF模型相比,该模型无论在句子级还是文档级的处理效果都很好。