基于语义模板的问答系统研究

提出一个基于语义模板的用户交互问答系统,其中语义模板用于标识句子中各成分之间的语义关联关系.语义模板的使用有助于问题的分解和各成分间语义关联关系的研究,可提高分析精度,适宜于英文和中文问题的分析.在系统运行中,将问题和用户选择的正确答案对,存储在数据库中,通过积累知识构建知识库,实现问题自动回答.

基于模式学习的中文问答系统答案抽取方法

答案抽取是中文问答系统的关键,而通常答案是借助于问题的答案句子模式抽取得到,由于答案句子模式是语言专家根据语言规则提炼获得,因此非常依赖于专家经验。针对这一局限性,提出了一种利用模式学习来获得中文答案句子模式的方法,该方法利用搜索引擎从互连网上检索相关问题文本,人工提取包含答案的句子段,并标注问题类型及答案,形成各种问题类型的问答训练语料。通过统计学习,提取候选答案句子模式,计算候选句子模式权重,并根据权重获得相应问题类型的答案句子模式。基于事实的问题答案抽取结果表明,提出的基于模式学习的方法有很好的效果,实验答案提取准确率值达到了0.28,学习方法获得的模式基本上覆盖了常规答案句子模式。

改进的基于模式匹配的答案抽取方法

开放领域的问答系统是自然语言处理领域中具有挑战性的研究方向。答案抽取是问答系统的关键,在基于模式匹配的答案抽取方法中,答案是借助于问题的答案模式抽取得到,因此,答案模式的评价对候选答案排序及答案的最终选择起着决定性的作用。参照传统的答案模式评价方法,提出一种改进的模式评价方法,分别在传统和改进两种答案模式评价方法下进行了答案抽取实验。实验结果表明应用改进的答案模式评价方法,答案抽取性能明显提高。

基于答案模式和语义特征融合的答案抽取方法

答案抽取是问答系统的关键技术。根据对问题-答案的分析可知,它们之间不仅存在语义上的相似性,而且还有句法上的关联性。提出了一种基于问题-答案之间句法模式和句子语义二元特征融合的答案抽取方法。通过对不同的特征赋予不同的权值来调节各特征对答案抽取准确率计算的贡献。与其他方法相比,描述答案的信息更加全面,答案抽取更加准确。

基于Ontology的自动答疑技术研究

针对目前自动答疑系统大多以关键词匹配为基础,忽视了关键词和关键词间的语义信息、问题求解准确率不足的问题,提出1种利用Ontology概念规范、语义关系明确等特点,将Ontology应用到自动答疑系统中的方法。该方法对答案库进行有效的组织,用户问题经分词并预处理后,可通过模式匹配和计算句子语义相似度2种方式返回答案,有效地提高了查询准确率。

基于问题模式匹配的智能答疑系统原型

智能答疑系统是将学生的问题和老师的解答有机地组织起来并存放至相应的答题库中,通过自然语言的语义理解技术来分析并自动的匹配学生所提出的问题,自动地给予问题解答的系统.智能答疑系统能够给予提问者即时的回应,减轻教学人员的工作压力,在远程教学中具有重要意义.红棉智能答疑系统(原型系统)针对国内现有的智能答疑系统普遍存在的问题,借鉴了国外先进智能答疑系统的成功经验与设计理念,根据中文智能答疑的特殊需求,引入了基于概率的双向最大匹配分词算法、智能问题模式匹配、基于语义依存树的语义分析等技术进行智能问题分析,形成了具有更高答案召回率、合理性与正确性的新一代智能答疑系统.

模式匹配在中文问答系统中的应用研究

针对汉语文本,对自动问答系统的实现进行了初步探索,主要是基于向量空间模型对文档信息进行检索,重点研究了模式匹配在判断问句类型和获取答案方面的作用,设计并初步实现了一个面向受限领域内中文自动问答系统。

基于模式匹配的中文问答系统

网络信息的迅速增长,传统搜索引擎的不足,促使了人们对问答系统的研究。首先介绍了一些问答系统相关知识;然后重点介绍了我们设计开发的基于模式匹配技术的中文问答系统;最后使用该系统进行实验,并给出实验结果与分析。实验结果表明,基于模式匹配的中文问答系统是有效的。

面向医学领域的智能问答APP设计与实现

随着医疗大数据时代的到来,自然语言处理技术在医学领域发展迅速,而问答系统能够准确、简洁地用自然语言回答用户提出的问题,因此其在医学领域的应用具有重要研究价值。基于自然语言处理技术、朴素贝叶斯分类算法、词向量、模糊匹配技术等,设计并实现了一款实用的面向医学领域的智能问答APP。通过对问题的检索,针对问题类型制定分类规则,并向用户返回检索结果;基于Bigram、词频、对齐文本的评估模型,可大大增加候选答案的正确率与简洁度;基于证据与候选答案的评分机制,可减少误报以及对结果的重复检索。

问答系统中意见型疑问句的分类方法研究

问答系统是自然语言处理领域中一个非常热门的研究方向,当前主流的问答系统主要处理的问题类型大多是问时间、地点、人物等事实性疑问句。本文针对用户提出的对特定领域的产品好坏发表疑问情感性问题作出处理,结合模式匹配算法拥有较高的准确性和语言模型算法拥有较高的召回率,创新性地提出意见型疑问句的分类方法:模式匹配算法结合语言模型算法生成混合模型。首先利用模式匹配算法对问句进行分类,对于不能处理的问句,交给一元或二元语言语言模型算法进行分类。此模型通过试验证明了其有效性。