基于互联网和self-training的中文问答模式学习

在已有的问答模式学习中,模式定义和候选答案评分偏于简单,而且学习过程依赖于人工标定语料。通过挖掘W eb文本中动、名词序列的骨架模式,用以扩充模式定义;将self-train ing学习机制引入问答模式学习:用一对训练语料进行初始学习,通过互联网搜索,自动选择可靠程度较高的问答对,重新训练;扩充了启发规则,改进候选答案的评分方法。实验结果表明:所提出的问答模式学习方法能有效地提高中文问答系统的性能。

基于认知概念网络的中国移动用户潜在不满预测技术研究

本文提出一种基于认知网概念网络的中国移动客户潜在不满预测方法,能够融合知识图谱的解释优势以及机器学习算法的预测能力。模型构建主要包括:原子层,基本概念层,原因概念层和现象层,原子层定义为数据的特征,基本概念层定义为对原子层的直接描述,原因概念层是对客户一类问题的原因解释,现象层对应用户不同的现象。认知概念网络在完成潜在不满用户识别的同时也同步输出不满原因,并具有优异的拓展价值。

融合知识图谱的查询扩展模型及其稳定性研究

旨在构建一种基于知识图谱Freebase的查询扩展模型,通过从Freebase中抽取与查询相关的若干实体及实体属性作为扩展词来重构查询,从而更好地表达用户的信息需求。在计算扩展词权重时,参考了投资组合理论中收益-风险分析方法,最大化扩展词和查询的相关性收益,同时也最小化扩展词可能带来的查询漂移的风险。最后将查询相关的实体和实体属性作为两种特征和查询语言模型结合实现查询扩展。在两个Web数据集上进行实验,用来检验所提出的扩展模型对检索系统的有效性和稳定性的影响。实验结果表明,提出的查询扩展模型与一元语言模型LM相比,检索结果的平均准确率(mean average precision,MAP)在两个数据集上有6%至15%的显著提升;和基于伪相关反馈的查询扩展模型RM3相比,有效性及稳定性都有不同程度的提升。