深度學(xué)習(xí)與多元特征相結(jié)合的答案選擇排序研究.pdf

1、近年來，人工智能在諸多領(lǐng)域的嘗試及成功，使其逐漸進入大眾的視線。如何實現(xiàn)機器與人類的無障礙交流，是人工智能一直的研究內(nèi)容。智能問答系統(tǒng)是實現(xiàn)這一愿景的非常有意義的一個切入點?，F(xiàn)有的問答系統(tǒng)形式有多種，比如社區(qū)問答、知識問答及聊天機器人等。這些系統(tǒng)往往有一定的知識存儲，在回答問題的時候首先根據(jù)自身的知識背景生成若干與問題相關(guān)的候選答案，然后再通過相關(guān)計算對候選答案打分，最后返回問題的最佳答案。
　　本課題主要研究了問題候選答案的選擇

2、排序問題，即對給定問題的候選答案集中每個答案打分排序。其核心問題就是計算問題和候選答案之間的語義相似度。通過對相關(guān)工作調(diào)研分析，可以發(fā)現(xiàn)，在已有的研究工作中，前期工作主要是基于問題和候選答案的詞匯、句法等特征完成的。隨著深度學(xué)習(xí)在NLP中的應(yīng)用，近期工作多采用深度學(xué)習(xí)模型來研究，該模型不需要借助其他語言工具或知識資源輔助。本文嘗試構(gòu)建了將深度學(xué)習(xí)與句子特征相結(jié)合的模型，來完成問題候選答案的選擇排序問題，本文的主要貢獻有以下幾個方面：

3、r>　　1．分別抽取了問題和候選答案的詞匯特征、主題特征以及基于IBM Model-I的問題和候選答案間的對齊特征，并將這些特征與LSTM模型結(jié)合。
　　2．構(gòu)建了基于深度學(xué)習(xí)的答案選擇排序算法框架，分別采用CNN和LSTM兩種深度學(xué)習(xí)模型進行實驗。實驗結(jié)果表明，在答案選擇排序的任務(wù)中，當不加任何外部特征時，本課題里L(fēng)STM模型表現(xiàn)整體高于CNN模型。
　　3．在LSTM模型中加入問題和候選答案的相關(guān)特征，將詞匯特征追加到L

4、STM模型的輸入部分，將主題特征與LSTM模型的輸出做特征組合，再將對齊特征作為在LSTM模型中引入attention機制的基礎(chǔ)。實驗結(jié)果表明，在LSTM模型中，無論加入主題特征還是引入attention機制，在問題候選答案的任務(wù)上都有較為顯著的效果。
　　4．將本文的模型在公開數(shù)據(jù)集上進行實驗，結(jié)果表明當將主題特征與對齊特征和LSTM結(jié)合時，兩個評價指標MAP和MRR最高分別可以達到78.9％和80.0%，均高于現(xiàn)有的工作結(jié)果。