给大家推荐6篇关于问题生成的计算机专业论文

今天分享的是关于问题生成的6篇计算机毕业论文范文, 如果你的论文涉及到问题生成等主题,本文能够帮助到你

基于知识图谱的复杂问题问答及问题生成研究

这是一篇关于知识图谱,图神经网络,问答,问题生成的论文, 主要内容为知识图谱是一种重要的存储信息的数据结构,而以知识图谱作为数据源的问答即为知识图谱问答,知识图谱问答系统对自然语言问题进行解析并直接返回答案。目前知识图谱问答技术已被广泛应用于相关智能搜索与推荐业务中,可见知识图谱问答具有重要的实用价值。目前学术界对于知识图谱问答已经具有较多研究,但大多数研究只专注于单跳问题或链式多跳问题,而对于更一般的复杂问题问答的研究相对较少,一方面是对于复杂问题的理解较为困难并且复杂问题所对应的查询结构通常是非链式的图结构,这使得问答难度进一步提高;而另一方面是复杂问题训练数据较少,导致没有足够的数据去训练模型。针对上述问题,本文进行了以下三个方面的研究:(1)改进目前的SOTA抽象查询图生成模型AQGNet。抽象查询图是查询图的抽象表示,当确定抽象查询图后,则可以显著减少候选查询图的数量。本文首先重新定义了抽象查询图的概念,使得抽象查询图对查询图的结构的表示更加准确,在准确度基本不变的情况下,进一步减少了候选查询图的数量;针对Levi Graph的特点,本文提出了一种新颖的图表示模型BGGAT来对抽象查询图进行编码,进一步提高了抽象查询图生成模型的性能并达到了新的SOTA性能。(2)提出新的知识图谱问答模型AQG4KGQA。上述AQGNet可以生成自然语言问题对应的抽象查询图进而大幅度减少候选查询图的数量并且可以与排序模型组成Pipeline完成知识图谱问答任务。本文基于抽象查询图生成框架提出了一种新颖的端到端的查询图生成模型AQG4KGQA。AQG4KGQA使用辅助学习方法以查询图生成作为主任务、以抽象查询图生成作为辅助任务来训练模型,虽然没有达到新的SOTA性能,但实验结果仍然具有竞争力。(3)提出新的知识图谱问题生成模型BGGAT4KGQA。目前限制知识图谱问答模型性能进一步提高的主要原因是缺少高质量的复杂问题数据集,本文提出了一种基于本文提出的BGGAT的知识图谱问题生成模型BGGAT4KGQG。该模型以知识图谱子图和答案作为输入,自动生成与输入的知识图谱子图和答案相关的自然语言问题,相关实验证明该模型的性能相比于目前的SOTA有了显著提升。

面向产品评论的问题生成研究

这是一篇关于问题生成,注意力机制,指针模型,属性抽取,多任务学习的论文, 主要内容为随着电商平台的兴起,网络上产生了大量产品相关的评价信息,对市场调研以及潜在客户购买意向决策具有重要意义。面对海量的评价信息,如何快速挖掘产品性能关键评价,从而生成与产品性能息息相关的问答数据具有极大的研究价值。因此,本文针对大量产品评价数据,通过问题生成模型,挖掘用户最关心的产品性能相关问题。传统的问题生成主要针对问答任务相关数据,采用端到端的深度学习架构模型。而基于产品评论的问题生成,不仅需要考虑评论信息中口语化表达,且生成的问题需要精准的围绕产品的类别、属性和性能特点展开,使得之前的问题生成模型在该任务上性能不佳。基于此,本文具体的研究内容包括:(1)基于文本信息的问题生成模型。为了探究如何利用产品相关的评论数据去生成产品相关的问题,本章从产品评价数据文本长度较短,用词较口语化的特点出发,设计相应的算法。首先,针对评论数据文本长度较短的问题,本章提出利用相似评论拼接的方式,丰富文本内容。然后,通过采用指针复制机制,克服评论数据口语化严重和容易产生使用词汇超出词典(out of vocabulary,OOV)限制的问题,这使得模型不仅可以从词典中生成对应的词汇,还可以从原文中抽取问题生成需要的词汇。本文利用京东评论数据进行实验,结果表明,在基于评论等短文本问题生成的任务上,与目前已有的神经网络模型对比,效果有了很大的提升。(2)结合产品属性信息的问题生成模型。采用指针复制机制虽然能避免用词超出词典限制的问题,但如何避免复制机制指向性错误,仍然是巨大的挑战。本章在上一章的基础上,为了增强模型围绕产品生成问题的能力,本章通过数据标注融入了产品的属性信息。这不仅加深了模型对产品相关数据的理解,提升了复制词汇指向性的正确率,也使得模型能够更加关注产品的相关属性信息,明确了实体属性的边界。因此生成的问题能够围绕着产品的相关信息提问,更直观地反映出产品的各个方面。本章在京东数据集上进行实验,结果表明,生成问题的准确性有较大的提升。(3)基于联合学习的产品评论问题生成模型。结合产品的属性信息虽然可以提升问题的准确性,但是仍然存在生成的问题较为简单,内容比较直白,提问的方式比较单一,以及模型无法理解产品相关的敏感方面的信息等问题。因此,本章在上一章的基础上,提出基于联合学习的问题生成模型,结合产品属性和观点信息抽取,使得生成的问题不仅围绕产品类别名称,同时考虑到产品特性。此外,模型还融合了属性信息关系抽取,挖掘观点信息与属性之间的关系,加深了模型对产品数据的理解,从而进一步提升了问题的质量。在中文京东英文亚马逊的双语料的测试下,结果表明,生成的问题在质量上有了显著的提升。

基于深度学习的知识图谱复杂问题生成研究

这是一篇关于问题生成,知识图谱,深度学习,图神经网络,联合学习的论文, 主要内容为知识图谱问题生成旨在根据输入知识图谱子图和给定答案实体生成对应问题,可以用来自动构建大规模问答数据集,支撑知识图谱问答的研究,近年来得到研究者的广泛关注。本文研究知识图谱问题生成任务中的复杂问题场景,基于一个更普遍的设定,输入知识图谱子图可以包含多个三元组,生成问题包含多跳复杂关系。现有基于深度学习的方法普遍将输入转换成序列进行编码,无法有效编码复杂问题场景中输入的知识图谱子图这类非欧式空间结构数据,部分使用图神经网络的方法也无法有效学习知识图谱子图节点之间的多跳依赖信息,同时现有方法都没有合理方式约束问题生成过程,确保生成的问题包含多跳复杂关系。为了解决以上问题,本文提出基于图神经网络的知识图谱复杂问题生成模型,该模型使用图神经网络实现对输入子图的有效编码,节点聚合自身多跳内的节点信息更新向量表示,并结合不同节点之间的距离信息,在学习节点之间的多跳依赖关系的同时,有效利用输入子图的结构信息。本文提出基于联合学习的知识图谱复杂问题生成模型,该模型通过关系抽取任务与知识图谱问题生成任务联合学习,约束问题生成过程,确保生成问题包含期望的复杂关系。通过引入联合任务,约束问题生成模型输出的全局关系节点向量表示,并在全局关系的指导下完成问题生成过程,使模型在生成问题的过程中能准确推理出所需的信息,有效提高生成问题的质量。同时设计更合理有有效的联合学习方式,提升联合学习效果。本文的主要贡献如下:1)提出了基于Bi-MHDGT图神经网络的知识图谱复杂问题生成模型。该模型使用本文提出的Bi-MHDGT图神经网络对输入子图进行编码,考虑节点的双向信息,并结合子图的结构信息有效学习节点之间的多跳长期依赖关系,提升对复杂子图的编码能力。2)提出了基于Joint-Turbo联合学习的知识图谱复杂问题生成模型。该模型通过关系抽取任务与知识图谱问答任务进行联合学习,约束指导问题生成过程的全局关系向量表示,确保生成包含期望复杂关系的问题。为了更有效的提升联合学习效果,本文提出了一种涡轮式联合学习方法。3)在知识图谱问题生成任务广泛使用的两个复杂问题数据集上设计实验,与现有主流方法进行对比,验证本文方法的有效性,并通过消融实验分析本文方法包含的重要部分对最终结果的影响。实验结果表明,本文方法能有效提升生成问题的质量,更准确的生成包含期望复杂关系的问题。综上,本文研究基于深度学习的知识图谱复杂问题生成方法,提出了一种基于Bi-MHDGT图神经网络的知识图谱复杂问题生成模型和一种基于Joint-Turbo联合学习的知识图谱复杂问题生成模型,通过提升对复杂子图的编码能力和采用合理方式约束问题生成过程,能有效实现复杂问题的生成。

基于深度学习的知识图谱复杂问题生成研究

基于生成对抗学习的知识图谱问答系统研究

这是一篇关于问答系统,知识图谱,问题生成,生成式对抗网络的论文, 主要内容为随着移动互联网的普及与人工智能时代的到来,人们对于快速获得精准答案的需求越来越高,问答系统成为了新一代的信息获取途径。与此同时,知识图谱技术的发展大力推动了问答系统的研究与落地,基于知识图谱的问答系统研究成为了当下的研究热门。本文针对基于知识图谱的问答系统展开了研究,主要包括以下三个方面:(1)设计并实现了一个基于编码器解码器框架的知识图谱问题生成模型,根据给定的知识三元组,自动生成自然语言形式的问题。模型在测试集上BLEU与METEOR值分别达到了 40.29与37.38;(2)提出了一个基于神经网络的问答匹配模型,融合了字符级别、单词级别的语义信息以及整个知识图谱的结构信息,根据自然语言形式的答案从知识图谱中找到最匹配的三元组,准确率达到了 72.4%;(3)设计了一个基于对抗生成学习的半监督框架,利用知识图谱的问题生成与问答匹配任务的内在联系,进行联合对抗学习。生成模型与匹配模型的效果均得到了提升。