导读:本文包含了自动问答论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:问答,自然语言,深度,人工智能,实体,阅读理解,结构化。
自动问答论文文献综述
李建伟[1]（2019）在《AI技术下的图书馆机器“自动问答”信息服务探究》一文中研究指出以人工智能技术的发展视角系统阐述了现代图书馆信息推荐模式的功能特点,探讨了新一代智慧图书馆泛在式信息服务的应用方向,详细分析了机器"自动问答"信息服务运作模式、核心技术等关键要素。(本文来源于《内蒙古科技与经济》期刊2019年20期）
杨康,黄定江,高明[2]（2019）在《面向自动问答的机器阅读理解综述》一文中研究指出人工智能正在深彻地变革各个行业.AI与教育的结合加速推动教育的结构性变革,正在将传统教育转变为智适应教育.基于深度学习的自动问答系统不仅可帮助学生实时解答疑惑、获取知识,还可以快速获取学生行为数据,加速教育的个性化和智能化.机器阅读理解是自动问答系统的核心模块,是理解学生问题,理解文档内容,快速获取知识的重要技术.在过去的几年里,随着深度学习复兴以及大规模机器阅读数据集的公开,各种各样的基于神经网络的机器阅读模型不断涌现.这篇综述主要讲述3方面的内容:介绍机器阅读理解的定义与发展历程;分析神经机器阅读模型之间的优点及不足;总结机器阅读领域的公开数据集以及评价方法.(本文来源于《华东师范大学学报(自然科学版)》期刊2019年05期）
曹建文,万福成[3]（2019）在《面向自动问答系统的问句相似度计算研究》一文中研究指出结构化自动问答系统采用传统方法缺少对词汇、词序和结构的划分,导致语句相似度较低,为了解决该问题,提出了基于Web语义的混合问句相似度计算方法。根据结构化自动问答系统结构,设计系统语句分析模型,通过正向匹配方法,对模型专业词库中的用户输入自然语句进行分词处理,并对字符串之间的关系展开分析。采用非恒定相似度系数来描述2个字符串的相似情况,并由此分析词形、词序和结构相似度,完成不同语句相似度的计算。通过实验对比可知,文章提出的基于Web语义的混合问句相似度计算方法最高计算精准度可达到96%,可提升自动问答系统的整体性能。(本文来源于《重庆大学学报》期刊2019年09期）
傅健[4]（2019）在《卷积深度神经网络在基于文档的自动问答任务中的应用与改进》一文中研究指出基于文档的自动问答,尤其是语义匹配,其目标是计算两个文本之间的相似度。这是自然语言处理中的典型任务,并且用以衡量对自然语言的理解程度。深度学习方法得益于可以自动化地学习到给定任务的最优特征表示,在许多研究中取得成功,也包括文本匹配。针对基于文档的自动问答,提出一个基于卷积深度神经网络的语义匹配模型,以便对每一对问题和文档提取特征,并据此计算它们的得分。通过问题和文档之间的交互计算,利用重迭词等文本特征,在中文开放域上的自动问答任务中取得的实际效果证明了该模型的有效性。(本文来源于《计算机应用与软件》期刊2019年08期）
朱淑媛,罗军[5]（2019）在《基于本体的领域自动问答系统研究》一文中研究指出由于传统信息检索返回的结果难以充分理解用户的问题语义,因此以医学领域本体为例,提出一种具有语义推理的自动问答系统。系统在领域知识本体上,通过链式索引结构抽取问题对应在领域知识本体中的命名实体。为理解问题的语义层次,通过改进CFN汉语框架网结构,给出从领域知识本体直接生成能理解问题语义的QFN问题框架本体的映射算法。运用QFN将自然语言问题转化成RDF叁元组结构,自动生成问题对应的SPARQL查询语句,同时调用Jena推理机完成语义推理查询在知识本体中查找并给出问题的相关回答。实验结果表明,该方法相比传统的信息检索,可以理解问题表达语义并给出与问题语义相关度高的答案。(本文来源于《计算机应用与软件》期刊2019年08期）
郭天翼,彭敏,伊穆兰,毛文月,胡星灿[6]（2019）在《自然语言处理领域中的自动问答研究进展》一文中研究指出分别从数据来源、问答范围、会话管理方式等叁个方面介绍了自动问答的发展现状,并着重阐述了基于深度学习的自动问答的研究进展,分析并总结了自动问答领域近年的研究成果,指出了自动问答未来所面临的问题。(本文来源于《武汉大学学报(理学版)》期刊2019年05期）
陈瑛,陈昂轩,董玉博,赵筱钰,侯文俊[7]（2019）在《基于LSTM的食品安全自动问答系统方法研究》一文中研究指出为高效、准确、全面获取食品安全相关信息,以食品安全文本为研究对象,采用Lucene全文检索架构和长短期记忆神经网络(Long short-term memory,LSTM)构建了食品安全自动问答系统。依托于从互联网爬取的文本作为非结构化数据集,利用检索架构扩充人工标注的问题答案对规模,并以此训练了可以判断问题和答案候选句匹配程度的LSTM模型。基于Lucene检索机制进行答案候选集提取和基于LSTM模型进行答案提取,构建了一个可根据食品安全相关问题给出答案所在句子的问答系统,并对比了基于Lucene直接检索的答案抽取和基于LSTM的答案抽取这两种方法。结果表明,当候选文档数量增加时,基于LSTM模型的问题答案匹配方法,其平均准确度始终高于基于Lucene检索方法的平均准确度;而候选句子数量较小时,基于LSTM模型的问题答案匹配方法的平均准确度也高于基于Lucene检索方法的平均准确度。(本文来源于《农业机械学报》期刊2019年S1期）
刘庆[8]（2019）在《基于非结构化文本的自动问答系统的研究与实现》一文中研究指出近几年随着移动互联网和大数据时代的快速发展,非结构化的网页和各垂直领域的文档急剧积累,基于非结构化文本的自动问答作为信息检索的高级形式,通过解析用户的真实意图,从检索到的文档中抽取简洁准确的答案,近几年逐渐成为研究热点。然而,当前大多公开的研究工作还存在诸多问题:1)问答场景下问句和文档长度严重失衡,信息检索模块中缺乏细粒度语义层面的相似度匹配,难以满足精准化检索需求;2)中文场景下,主流机器阅读理解模型未得到充分验证,性能存在提升空间,3)当前大规模非结构化文本自动问答技术不够成熟,针对某一垂直领域的应用平台相对较少。本文围绕非结构化文本自动问答系统中的文档信息检索和答案抽取的关键技术,进行算法优化和系统实现。主要研究工作包括:(1)提出了一种基于层迭注意力机制的语义相似度匹配模型(Deep-HAN-Matching),解决了问答场景下检索和文档长度严重失衡导致语义相似度匹配困难的问题,从词维度和句子维度利用注意力机制逐层抽象、抽取特征,在WikiQA公开数据集上相比主流基线模型性能提升明显;(2)提出了一种利用门限卷积神经网络和自注意力机制改进BiDAF的机器阅读理解模型(BiDAF-GCN-SelfAtt),缓解了在长文本下BiDAF上下文编码和交互匹配特征融合困难的问题,在公开中文数据集DuReader上ROUGE-L和BLEU-4指标相对于基线模型分别提升2.8%和5.2%;(3)在临床医学领域,融合本文提出的算法,实现了一个基于非结构化文本的自动问答系统,验证了本文提出的两种模型在临床医学标注数据集上表现出良好的适用性,同时系统在2018年临床医学执业医师考试测试集上,Topl准确率相比于基线系统提升明显。(本文来源于《北京邮电大学》期刊2019-06-01）
张崇宇[9]（2019）在《基于知识图谱的自动问答系统的应用研究与实现》一文中研究指出自动问答系统逐渐成为人与机器进行自然交互的新趋势,而基于知识图谱的自动问答系统是以知识图谱作为答案来源的问答系统。知识图谱使得数据更好地以接近人类认知的形式被组织和理解,能够在精准化问答服务中起到关键作用。由于医疗健康领域的服务建设仍不完善,我国推出智慧医疗建设的政策。基于国家卫健委科研所智慧医疗服务的项目需求,本文选定医疗垂直领域的问答应用来切入研究。但是,当前中文领域缺乏公开的临床医疗知识图谱,如何构建高质量的医疗领域知识图谱存在着困难。知识库问答系统需要较强的自然问句理解能力,而医疗领域缺乏知识库问答训练语料,基于深度学习的问答任务在实践上充满挑战。针对以上的问题,本文围绕临床医疗领域提出了知识图谱构建与知识图谱自动问答系统的解决方案,并完成了医疗辅助问诊服务平台的设计与实现。研究内容主要包含以下叁个方面:(1)研究如何构建临床医疗领域知识图谱,主要包括知识抽取、知识融合和知识存储叁部分。其中,采用基于Bi-LSTM-CRF和Jointly标注策略的实体关系抽取模型实现知识的自动抽取,采用基于医疗实体局部关系属性相似的实体对齐方法实现知识的融合,采用Neo4j和MongoDB混合方式实现知识的组织和存储。(2)研究如何实现医疗知识图谱自动问答系统。首先采用基于Lattice-LSTM-CRF的问句实体识别和基于字-词编码CNN的知识库关系/属性映射方法实现问句的语义解析,其次通过构建语义的查询逻辑规则转化器完成知识库的答案检索。(3)搭建医疗辅助问诊服务平台。基于以上的研究实现医疗知识库问诊服务,并基于D3.js的力导向图实现图谱关系可视化服务,最终完成融合医学专业知识检索、挂号的服务平台,并实现WeChat医疗助手。本文旨在通过上述内容的研究解决中文临床医疗领域知识图谱在实际构建过程中的难点,并通过深度学习方法提升医疗知识图谱自动问答系统的问句语义理解能力,最终构建一个能够满足用户实际医疗问诊需求的精准式医疗辅助问诊服务平台。(本文来源于《北京邮电大学》期刊2019-05-26）
邓思颖[10]（2019）在《基于卷积神经网络的文档库自动问答模型研究》一文中研究指出随着互联网的发展势头越来越强劲,人们在日常生活中也越来越依赖互联网技术,如何在庞大的数据量中精准而高效地获取到有用的信息也越来越重要,学术界和工业界也越多越多的聚焦在自然语言处理领域中的自动问答技术。然而,随着数据的爆发式增长,传统的自动问答技术已经无法满足人们希望智能的获取精准信息的要求,因此,越来越多的学者们利用词语的分布式表示技术和通过神经网络模型学习句子的抽象语义特征来解决这一问题。基于文档库的自动问答任务的核心目标是进行文本匹配和答案选择,其实质是通过计算问题与候选文档之间的相关度来选择与问题相匹配的答案,而如何将词汇和文本所蕴含的深层语义特征用向量更准确的表示出来是解决这一问题的关键,进而才能提高模型的准确率。本文为了提高文本匹配与答案选择模型的准确性,所做的主要工作如下:本文提出一种结合多元特征的自动问答模型,通过在词嵌入层添加问题答案对之间的重迭信息(Overlap),句子中的词语位置信息(Position),以及逆向文档频率(IDF)特征,使得词向量矩阵能够蕴含更多语义信息,对后续神经网络模型学习到更加丰富而精确的文本向量表示起到了提升作用。本文使用的是基于注意力机制的卷积神经网络模型,通过注意力机制对卷积层输出的问答对特征矩阵进行加权,可以在问答对之间建立联系,使得文本中的关键信息将会发挥更大的作用。另外使用不同大小的多种滤波器可以捕获到句子中不同长度的抽象语义特征并组合起来,可以使得卷积神经网络的答案选择准确率得到提高。本文在NLPCC 2016 DBQA的数据集上进行了实验验证,通过与传统方法和baseline进行对比,并且对本文所提的扩展特征进行了单一分析对比和组合分析验证,实验结果表明,本文所提模型的MAP、MRR等指标的结果都有一定程度的提高,进而可以证明上述方法的有效性。(本文来源于《华中师范大学》期刊2019-05-01）
自动问答论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
人工智能正在深彻地变革各个行业.AI与教育的结合加速推动教育的结构性变革,正在将传统教育转变为智适应教育.基于深度学习的自动问答系统不仅可帮助学生实时解答疑惑、获取知识,还可以快速获取学生行为数据,加速教育的个性化和智能化.机器阅读理解是自动问答系统的核心模块,是理解学生问题,理解文档内容,快速获取知识的重要技术.在过去的几年里,随着深度学习复兴以及大规模机器阅读数据集的公开,各种各样的基于神经网络的机器阅读模型不断涌现.这篇综述主要讲述3方面的内容:介绍机器阅读理解的定义与发展历程;分析神经机器阅读模型之间的优点及不足;总结机器阅读领域的公开数据集以及评价方法.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
自动问答论文参考文献
[1].李建伟.AI技术下的图书馆机器“自动问答”信息服务探究[J].内蒙古科技与经济.2019
[2].杨康,黄定江,高明.面向自动问答的机器阅读理解综述[J].华东师范大学学报(自然科学版).2019
[3].曹建文,万福成.面向自动问答系统的问句相似度计算研究[J].重庆大学学报.2019
[4].傅健.卷积深度神经网络在基于文档的自动问答任务中的应用与改进[J].计算机应用与软件.2019
[5].朱淑媛,罗军.基于本体的领域自动问答系统研究[J].计算机应用与软件.2019
[6].郭天翼,彭敏,伊穆兰,毛文月,胡星灿.自然语言处理领域中的自动问答研究进展[J].武汉大学学报(理学版).2019
[7].陈瑛,陈昂轩,董玉博,赵筱钰,侯文俊.基于LSTM的食品安全自动问答系统方法研究[J].农业机械学报.2019
[8].刘庆.基于非结构化文本的自动问答系统的研究与实现[D].北京邮电大学.2019
[9].张崇宇.基于知识图谱的自动问答系统的应用研究与实现[D].北京邮电大学.2019
[10].邓思颖.基于卷积神经网络的文档库自动问答模型研究[D].华中师范大学.2019
论文知识图
