問答系統(tǒng)的目標是讓機器能夠理解人類以自然語言的形式提出的問題,并且返回一個準確地、簡練的答案。近年來,知識庫的迅速發(fā)展為問答系統(tǒng)的研究提供了豐富而又便捷的資源支撐。因此知識庫問答越來越受到工業(yè)界和學(xué)術(shù)界的關(guān)注。目前,知識庫問答系統(tǒng)在中英文領(lǐng)域取得成績較為顯著,同時越來越多的研究者投身其中。然而,藏文問答系統(tǒng)的研究還處于探索階段,尤其是藏文知識庫問答的研究,存在著許多挑戰(zhàn)。首先,藏文屬于低資源語言,相比較中英文,藏文問答語料庫稀少。其次,藏文知識庫數(shù)據(jù)稀疏,傳統(tǒng)的表示方式無法很好對知識庫進行表示學(xué)習(xí)。最后,在藏文問答語料庫規(guī)模較少的情況下,如何利用深度學(xué)習(xí)進行藏文問句的特征抽取和答案返回是藏文知識庫問答重要研究內(nèi)容。針對以上問題,本文研究了基于深度學(xué)習(xí)的藏文知識庫問答,主要工作如下:(1)為了自動擴充藏文問答語料庫,本文提出兩種方法進行問答語料庫構(gòu)建:基于圖的半監(jiān)督模型算法和基于深度學(xué)習(xí)的QuGAN模型算法。基于圖的半監(jiān)督模型主要是利用已構(gòu)建的藏文知識庫,將知識庫模型與實體(關(guān)系)類型相結(jié)合,自動構(gòu)建藏文問句模板和事實性問句�；�于深度學(xué)習(xí)的QuGAN模型首先通過最大似然估計對隨機問題進行...

【文章頁數(shù)】：96 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１?ＲＮＮ基本模型以及展開圖??－

要思想是通過記住序列的歷史信息來處理序列任務(wù)。ＲＮＮ之所以稱為循環(huán)神經(jīng)??網(wǎng)絡(luò)，在于ＲＮＮ當(dāng)前時刻的輸出不僅僅當(dāng)前時刻的輸入有關(guān)，同時還與ＲＮＮ上??一時刻的輸出有關(guān)。如圖２－１左半部分展示了一個ＲＮＮ基本單元的結(jié)構(gòu)框架，??圖２－１的右半部分展示了?ＲＮＮ隨時間步驟（即輸入序列....

圖２－２?ＬＳＴＭ網(wǎng)絡(luò)單元結(jié)構(gòu)??ＬＳＴＭ網(wǎng)絡(luò)單元的關(guān)鍵在于細胞狀態(tài)（ｃｅｌｌ?ｓｔａｔｅ）?Ｃ的更新

??圖２－２?ＬＳＴＭ網(wǎng)絡(luò)單元結(jié)構(gòu)??ＬＳＴＭ網(wǎng)絡(luò)單元的關(guān)鍵在于細胞狀態(tài)（ｃｅｌｌ?ｓｔａｔｅ）?Ｃ，的更新。如圖２－２所示，??細胞狀態(tài)在一條直線上進行更新和傳遞，只涉及線性操作。所以，細胞狀態(tài)就類??似于傳送帶，沿著ＬＳＴＭ網(wǎng)絡(luò)層進行信息傳遞，而傳遞的信息因為沒有涉及非線??....

圖２－３最大池化層??－

?－＇２??圖２－３最大池化層??圖２－３是在２ｘ２的局部窗口中進行最大池化操作，原始的輸入被劃分為四個??不同的子區(qū)域，在通過對每個區(qū)域進行取最大值操作，得到池化層的輸出。??２．?３語言模型??語言模型是自然語言處理領(lǐng)域一個基本卻又非常重要的任務(wù)。它主要就是通??過計算一堆詞....

圖2-6ELMo語言模型

Ｓａｍｐｌｅ：?｛ｗ，Ｃｏｎｔ＾ｘｔ｛ｗ）｝??圖?２－５?Ｓｋｉｐ－Ｇｒａｍ?模型??２．?３．?３?ＥＬＭｏ?模型??ＥＬＭｏ模型［７６］主要是一種通用詞和句子嵌入的方法，主要利用深度上下文??單詞表示，能夠處理單詞用法中的復(fù)雜特性，比如句法和語義。同時能夠感知單??詞在不同....

本文編號：4004532