基于知識(shí)圖譜的山西旅游飲食問(wèn)答系統(tǒng)
發(fā)布時(shí)間：2021-01-01 14:17
隨著互聯(lián)網(wǎng)的飛速發(fā)展,“信息化”體現(xiàn)在人們?nèi)粘Ｉ钪械母鞣礁髅�。大�?shù)據(jù)時(shí)代下,人們的生活已經(jīng)離不開(kāi)互聯(lián)網(wǎng)的支持,“互聯(lián)網(wǎng)+”的發(fā)展模式已經(jīng)成為一種趨勢(shì)�！盎ヂ�(lián)網(wǎng)+旅游”也成為了我國(guó)各大景區(qū)最常見(jiàn)的經(jīng)營(yíng)發(fā)展模式。隨著旅行人數(shù)逐年增多,傳統(tǒng)的旅游模式下,游客想要及時(shí)的獲取景區(qū)信息已經(jīng)是難上加難,迫切需要一種新的方式來(lái)滿(mǎn)足游客的需求。在此背景下,結(jié)合自然語(yǔ)言處理的應(yīng)用和發(fā)展,一種面向用戶(hù)的智能問(wèn)答系統(tǒng)應(yīng)用而生。與傳統(tǒng)搜索引擎的檢索方式相比,智能問(wèn)答系統(tǒng)更加簡(jiǎn)練、直接,可以更加快速地根據(jù)用戶(hù)的問(wèn)題反饋出一個(gè)用戶(hù)需要的答案,這在一定程度上大大的提高了檢索的效率,用戶(hù)也可以更好的了解景區(qū)的信息,給用戶(hù)帶來(lái)更好的旅行體驗(yàn)。本文針對(duì)旅游領(lǐng)域,以山西為例,給出了一種深度學(xué)習(xí)中基于BiLSTM-CNN-CRF模型的智能問(wèn)答系統(tǒng)。本文的主要工作如下:（1）運(yùn)用Python中的Scrapy爬蟲(chóng)框架,從攜程網(wǎng)、途牛網(wǎng)、去哪兒網(wǎng)三大旅游網(wǎng)站爬取山西旅游數(shù)據(jù),并整合所有數(shù)據(jù),導(dǎo)入Neo4j中,構(gòu)建出山西旅游隱身知識(shí)圖譜。（2）在大部分基于知識(shí)圖譜的BiLSTM-CRF問(wèn)答模型的基礎(chǔ)上,加入一層CNN,提出BiLST...
【文章來(lái)源】：中北大學(xué)山西省
【文章頁(yè)數(shù)】：77 頁(yè)
【學(xué)位級(jí)別】：碩士
【部分圖文】：
語(yǔ)義解析樹(shù)形式圖
中北大學(xué)學(xué)位論文6常用數(shù)據(jù)集：WebQuestion、SimpleQuestion、NLPCCKBQA數(shù)據(jù)集（中文）下面根據(jù)常見(jiàn)分類(lèi)分別進(jìn)行詳細(xì)展開(kāi)：（1）基于符號(hào)表示的KB-QA（傳統(tǒng)的語(yǔ)義解析方法）定義：該方法的主旨：首先將自然語(yǔ)言轉(zhuǎn)化成邏輯形式，接著對(duì)邏輯形式進(jìn)行從下到上的解析，從而得出一種可以表達(dá)整個(gè)問(wèn)題語(yǔ)義的邏輯形式，最后在知識(shí)庫(kù)中通過(guò)對(duì)應(yīng)的查詢(xún)語(yǔ)言得出需要的答案。語(yǔ)義解析傳統(tǒng)方法：?jiǎn)栴}->短語(yǔ)檢測(cè)->資源映射->語(yǔ)義組合->邏輯表達(dá)式，具體如圖2.1所示圖2.1語(yǔ)義解析樹(shù)形式圖Figure2.1.Semanticparsetreeformdiagram語(yǔ)義解析目前一般做法：建圖->主題詞鏈接->確定核心推導(dǎo)鏈->增加約束和聚合函數(shù)。如圖2.2所示圖2.2查詢(xún)圖形式Figure2.2querygraphform（1）將語(yǔ)義解析簡(jiǎn)化為查詢(xún)圖生成，將其表述為具有分階段狀態(tài)和動(dòng)作的搜索問(wèn)題。（2）基于向量表示的KB-QA(基于表示學(xué)習(xí)的方法)定義：把知識(shí)庫(kù)問(wèn)答看做一個(gè)語(yǔ)義匹配過(guò)程。通過(guò)表示學(xué)習(xí)知識(shí)庫(kù)以及用戶(hù)問(wèn)題的語(yǔ)
中北大學(xué)學(xué)位論文92.1.3基于問(wèn)答對(duì)的問(wèn)答系統(tǒng)隨著互聯(lián)網(wǎng)技術(shù)不斷成熟和飛速發(fā)展,網(wǎng)絡(luò)上興起了了一種常問(wèn)問(wèn)題(frequentaskedquestions,FAQ[10])數(shù)據(jù),尤其是2005年末以來(lái)，大量的社區(qū)問(wèn)答(communitybasedquestionanswering,CQA[11])數(shù)據(jù)開(kāi)始活躍在網(wǎng)絡(luò)上，隨著大量的問(wèn)答案對(duì)數(shù)據(jù)的涌現(xiàn)，問(wèn)答系統(tǒng)的研究開(kāi)始正式進(jìn)入了開(kāi)放領(lǐng)域、基于問(wèn)題答對(duì)的問(wèn)答系統(tǒng)時(shí)期。其系統(tǒng)結(jié)構(gòu)圖如2.3所示圖2.3基于問(wèn)答對(duì)的問(wèn)答系統(tǒng)結(jié)構(gòu)圖Figure2.3Structurediagramofquestionandanswersystembasedonquestionandanswerpairs通常情況下，構(gòu)建基于結(jié)構(gòu)化數(shù)據(jù)的問(wèn)答系統(tǒng)的方式有以下兩種：第一種方法是如圖2.4所示的傳統(tǒng)方法，就是將用戶(hù)的問(wèn)句轉(zhuǎn)化為SPARQL查詢(xún)語(yǔ)言到結(jié)構(gòu)化數(shù)據(jù)庫(kù)中尋找答案，這種方法操作和原理相對(duì)簡(jiǎn)單，但是缺乏對(duì)用戶(hù)的問(wèn)句進(jìn)行語(yǔ)義分析，因?yàn)橹皇菃螁螌?wèn)句轉(zhuǎn)化為數(shù)據(jù)庫(kù)查詢(xún)語(yǔ)言，這樣反饋給用戶(hù)的結(jié)果往往都缺乏準(zhǔn)確率[12]；第二種方法則是如圖2.5所示現(xiàn)在被廣泛研究和應(yīng)用的基于深度學(xué)習(xí)的問(wèn)答系統(tǒng)的構(gòu)建方法。采用深度學(xué)習(xí)來(lái)構(gòu)建問(wèn)答系統(tǒng)，用戶(hù)提出的問(wèn)句分詞先用word2vec轉(zhuǎn)化為向量的形式[13]。通過(guò)BiLSTM,CNN等神經(jīng)網(wǎng)絡(luò)模型處理用戶(hù)的問(wèn)句分詞向量，分析語(yǔ)義特征之后獲取問(wèn)句實(shí)體，最后通過(guò)計(jì)算低維度空間向量中問(wèn)句實(shí)體和候選答案的余弦相似性，從而得出問(wèn)句的正確答案[13][14]。圖2.4傳統(tǒng)方法下基于結(jié)構(gòu)化數(shù)據(jù)的問(wèn)答系統(tǒng)結(jié)構(gòu)圖Figure2.4Structurediagramofquestionansweringsystembasedonstructureddataundertraditional
【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)過(guò)擬合問(wèn)題研究[J]. 任義麗,羅路. 信息系統(tǒng)工程. 2019(05)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類(lèi)算法綜述[J]. 楊真真,匡楠,范露,康彬. 信號(hào)處理. 2018(12)
[3]Expressivity issues in SPARQL: monotonicity and two-versus three-valued semantics[J]. Xiaowang ZHANG,Chenhong MENG,Lei ZOU. Science China（Information Sciences）. 2018(12)
[4]基于BiGRU-attention神經(jīng)網(wǎng)絡(luò)的文本情感分類(lèi)模型[J]. 王偉,孫玉霞,齊慶杰,孟祥福. 計(jì)算機(jī)應(yīng)用研究. 2019(12)
[5]A language-independent neural network for event detection[J]. Xiaocheng FENG,Bing QIN,Ting LIU. Science China（Information Sciences）. 2018(09)
[6]基于Gate機(jī)制與Bi-LSTM-CRF的漢語(yǔ)語(yǔ)義角色標(biāo)注[J]. 張苗苗,張玉潔,劉明童,徐金安,陳鈺楓. 計(jì)算機(jī)與現(xiàn)代化. 2018(04)
[7]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅. 計(jì)算機(jī)學(xué)報(bào). 2018(07)
[8]旅游推薦系統(tǒng)研究綜述[J]. 常亮,曹玉婷,孫文平,張偉濤,陳君同. 計(jì)算機(jī)科學(xué). 2017(10)
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的公安案件文本語(yǔ)義特征提取方法研究[J]. 林志宏,池宏,許保光. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2017(17)
[10]數(shù)字多媒體旅游咨詢(xún)信息智能問(wèn)答系統(tǒng)設(shè)計(jì)[J]. 李佳,楊婷婷,劉偉. 現(xiàn)代電子技術(shù). 2017(12)
博士論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的文本表示及其應(yīng)用[D]. 戶(hù)保田.哈爾濱工業(yè)大學(xué) 2016
碩士論文
[1]基于知識(shí)圖譜的旅游問(wèn)答系統(tǒng)研究與實(shí)現(xiàn)[D]. 張楚婷.桂林電子科技大學(xué) 2019
[2]面向消化內(nèi)科輔助診療的生成式對(duì)話系統(tǒng)研究[D]. 程夢(mèng)卓.中國(guó)科學(xué)技術(shù)大學(xué) 2019
[3]基于深度神經(jīng)網(wǎng)絡(luò)的中文命名實(shí)體識(shí)別研究[D]. 顧孫炎.南京郵電大學(xué) 2018
[4]基于全變分的并行磁共振圖像重建的快速算法研究[D]. 晏士友.南京郵電大學(xué) 2018
[5]基于中文知識(shí)圖譜的智能問(wèn)答系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 張淼.華中師范大學(xué) 2018
[6]基于Scrapy框架的網(wǎng)絡(luò)爬蟲(chóng)實(shí)現(xiàn)與數(shù)據(jù)抓取分析[D]. 安子建.吉林大學(xué) 2017
[7]基于詞向量的短文本分類(lèi)方法研究[D]. 江大鵬.浙江大學(xué) 2015
[8]基于神經(jīng)網(wǎng)絡(luò)的文字識(shí)別技術(shù)研究及應(yīng)用[D]. 楊天長(zhǎng).北方工業(yè)大學(xué) 2013
[9]基于CRF的中文命名實(shí)體識(shí)別研究[D]. 史海峰.蘇州大學(xué) 2010
[10]主謂關(guān)系識(shí)別與主題相關(guān)性計(jì)算技術(shù)研究[D]. 楊旭.東北大學(xué) 2009
本文編號(hào)：2951442
【文章來(lái)源】：中北大學(xué)山西省
【文章頁(yè)數(shù)】：77 頁(yè)
【學(xué)位級(jí)別】：碩士
【部分圖文】：
語(yǔ)義解析樹(shù)形式圖
中北大學(xué)學(xué)位論文6常用數(shù)據(jù)集：WebQuestion、SimpleQuestion、NLPCCKBQA數(shù)據(jù)集（中文）下面根據(jù)常見(jiàn)分類(lèi)分別進(jìn)行詳細(xì)展開(kāi)：（1）基于符號(hào)表示的KB-QA（傳統(tǒng)的語(yǔ)義解析方法）定義：該方法的主旨：首先將自然語(yǔ)言轉(zhuǎn)化成邏輯形式，接著對(duì)邏輯形式進(jìn)行從下到上的解析，從而得出一種可以表達(dá)整個(gè)問(wèn)題語(yǔ)義的邏輯形式，最后在知識(shí)庫(kù)中通過(guò)對(duì)應(yīng)的查詢(xún)語(yǔ)言得出需要的答案。語(yǔ)義解析傳統(tǒng)方法：?jiǎn)栴}->短語(yǔ)檢測(cè)->資源映射->語(yǔ)義組合->邏輯表達(dá)式，具體如圖2.1所示圖2.1語(yǔ)義解析樹(shù)形式圖Figure2.1.Semanticparsetreeformdiagram語(yǔ)義解析目前一般做法：建圖->主題詞鏈接->確定核心推導(dǎo)鏈->增加約束和聚合函數(shù)。如圖2.2所示圖2.2查詢(xún)圖形式Figure2.2querygraphform（1）將語(yǔ)義解析簡(jiǎn)化為查詢(xún)圖生成，將其表述為具有分階段狀態(tài)和動(dòng)作的搜索問(wèn)題。（2）基于向量表示的KB-QA(基于表示學(xué)習(xí)的方法)定義：把知識(shí)庫(kù)問(wèn)答看做一個(gè)語(yǔ)義匹配過(guò)程。通過(guò)表示學(xué)習(xí)知識(shí)庫(kù)以及用戶(hù)問(wèn)題的語(yǔ)
中北大學(xué)學(xué)位論文92.1.3基于問(wèn)答對(duì)的問(wèn)答系統(tǒng)隨著互聯(lián)網(wǎng)技術(shù)不斷成熟和飛速發(fā)展,網(wǎng)絡(luò)上興起了了一種常問(wèn)問(wèn)題(frequentaskedquestions,FAQ[10])數(shù)據(jù),尤其是2005年末以來(lái)，大量的社區(qū)問(wèn)答(communitybasedquestionanswering,CQA[11])數(shù)據(jù)開(kāi)始活躍在網(wǎng)絡(luò)上，隨著大量的問(wèn)答案對(duì)數(shù)據(jù)的涌現(xiàn)，問(wèn)答系統(tǒng)的研究開(kāi)始正式進(jìn)入了開(kāi)放領(lǐng)域、基于問(wèn)題答對(duì)的問(wèn)答系統(tǒng)時(shí)期。其系統(tǒng)結(jié)構(gòu)圖如2.3所示圖2.3基于問(wèn)答對(duì)的問(wèn)答系統(tǒng)結(jié)構(gòu)圖Figure2.3Structurediagramofquestionandanswersystembasedonquestionandanswerpairs通常情況下，構(gòu)建基于結(jié)構(gòu)化數(shù)據(jù)的問(wèn)答系統(tǒng)的方式有以下兩種：第一種方法是如圖2.4所示的傳統(tǒng)方法，就是將用戶(hù)的問(wèn)句轉(zhuǎn)化為SPARQL查詢(xún)語(yǔ)言到結(jié)構(gòu)化數(shù)據(jù)庫(kù)中尋找答案，這種方法操作和原理相對(duì)簡(jiǎn)單，但是缺乏對(duì)用戶(hù)的問(wèn)句進(jìn)行語(yǔ)義分析，因?yàn)橹皇菃螁螌?wèn)句轉(zhuǎn)化為數(shù)據(jù)庫(kù)查詢(xún)語(yǔ)言，這樣反饋給用戶(hù)的結(jié)果往往都缺乏準(zhǔn)確率[12]；第二種方法則是如圖2.5所示現(xiàn)在被廣泛研究和應(yīng)用的基于深度學(xué)習(xí)的問(wèn)答系統(tǒng)的構(gòu)建方法。采用深度學(xué)習(xí)來(lái)構(gòu)建問(wèn)答系統(tǒng)，用戶(hù)提出的問(wèn)句分詞先用word2vec轉(zhuǎn)化為向量的形式[13]。通過(guò)BiLSTM,CNN等神經(jīng)網(wǎng)絡(luò)模型處理用戶(hù)的問(wèn)句分詞向量，分析語(yǔ)義特征之后獲取問(wèn)句實(shí)體，最后通過(guò)計(jì)算低維度空間向量中問(wèn)句實(shí)體和候選答案的余弦相似性，從而得出問(wèn)句的正確答案[13][14]。圖2.4傳統(tǒng)方法下基于結(jié)構(gòu)化數(shù)據(jù)的問(wèn)答系統(tǒng)結(jié)構(gòu)圖Figure2.4Structurediagramofquestionansweringsystembasedonstructureddataundertraditional
【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)過(guò)擬合問(wèn)題研究[J]. 任義麗,羅路. 信息系統(tǒng)工程. 2019(05)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類(lèi)算法綜述[J]. 楊真真,匡楠,范露,康彬. 信號(hào)處理. 2018(12)
[3]Expressivity issues in SPARQL: monotonicity and two-versus three-valued semantics[J]. Xiaowang ZHANG,Chenhong MENG,Lei ZOU. Science China（Information Sciences）. 2018(12)
[4]基于BiGRU-attention神經(jīng)網(wǎng)絡(luò)的文本情感分類(lèi)模型[J]. 王偉,孫玉霞,齊慶杰,孟祥福. 計(jì)算機(jī)應(yīng)用研究. 2019(12)
[5]A language-independent neural network for event detection[J]. Xiaocheng FENG,Bing QIN,Ting LIU. Science China（Information Sciences）. 2018(09)
[6]基于Gate機(jī)制與Bi-LSTM-CRF的漢語(yǔ)語(yǔ)義角色標(biāo)注[J]. 張苗苗,張玉潔,劉明童,徐金安,陳鈺楓. 計(jì)算機(jī)與現(xiàn)代化. 2018(04)
[7]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅. 計(jì)算機(jī)學(xué)報(bào). 2018(07)
[8]旅游推薦系統(tǒng)研究綜述[J]. 常亮,曹玉婷,孫文平,張偉濤,陳君同. 計(jì)算機(jī)科學(xué). 2017(10)
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的公安案件文本語(yǔ)義特征提取方法研究[J]. 林志宏,池宏,許保光. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2017(17)
[10]數(shù)字多媒體旅游咨詢(xún)信息智能問(wèn)答系統(tǒng)設(shè)計(jì)[J]. 李佳,楊婷婷,劉偉. 現(xiàn)代電子技術(shù). 2017(12)
博士論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的文本表示及其應(yīng)用[D]. 戶(hù)保田.哈爾濱工業(yè)大學(xué) 2016
碩士論文
[1]基于知識(shí)圖譜的旅游問(wèn)答系統(tǒng)研究與實(shí)現(xiàn)[D]. 張楚婷.桂林電子科技大學(xué) 2019
[2]面向消化內(nèi)科輔助診療的生成式對(duì)話系統(tǒng)研究[D]. 程夢(mèng)卓.中國(guó)科學(xué)技術(shù)大學(xué) 2019
[3]基于深度神經(jīng)網(wǎng)絡(luò)的中文命名實(shí)體識(shí)別研究[D]. 顧孫炎.南京郵電大學(xué) 2018
[4]基于全變分的并行磁共振圖像重建的快速算法研究[D]. 晏士友.南京郵電大學(xué) 2018
[5]基于中文知識(shí)圖譜的智能問(wèn)答系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 張淼.華中師范大學(xué) 2018
[6]基于Scrapy框架的網(wǎng)絡(luò)爬蟲(chóng)實(shí)現(xiàn)與數(shù)據(jù)抓取分析[D]. 安子建.吉林大學(xué) 2017
[7]基于詞向量的短文本分類(lèi)方法研究[D]. 江大鵬.浙江大學(xué) 2015
[8]基于神經(jīng)網(wǎng)絡(luò)的文字識(shí)別技術(shù)研究及應(yīng)用[D]. 楊天長(zhǎng).北方工業(yè)大學(xué) 2013
[9]基于CRF的中文命名實(shí)體識(shí)別研究[D]. 史海峰.蘇州大學(xué) 2010
[10]主謂關(guān)系識(shí)別與主題相關(guān)性計(jì)算技術(shù)研究[D]. 楊旭.東北大學(xué) 2009
本文編號(hào)：2951442
本文鏈接：http://www.lk138.cn/kejilunwen/shengwushengchang/2951442.html
最近更新
教材專(zhuān)著
