基于Stacking集成学习的中文问句分类算法

为提升中文问句分类的效果,改善单模型问句分类受训练数据及模型参数影响大、场景适应性差、泛化能力弱等问题,本文提出一种基于Stacking集成学习的中文问句分类算法。模型使用集成学习Stacking框架,融合LightGBM、XGBoost和Random Forest构建多基分类器,并利用Logistic Regression作为元分类器,实现中文问句分类,以提高模型的泛化能力,并提升分类精度。通过网络开源中文问句数据集对模型进行训练和验证,实验结果表明,本文提出的基于Stacking的中文问句分类模型相比于最优LightGBM单模型,在F1值上提升了2.82%。因此,基于Stacking集成学习的中文问句分类算法能够有效提升中文问句分类的精度,支撑问答系统实现更好的性能。

受限领域问答系统的中文问句分析研究

对用户所提问句的理解是受限领域问答系统实现的关键,该文提出一种基于本体和问句句型模板规则的中文问句分析方法,研究如何使用问句语义表征来表示问句分析的结果,将该方法应用于某受限领域问答系统中。实验结果表明,使用该方法进行中文问句分析,准确率达90%以上,可以在实际的问答系统中使用该方法。

基于问句语义表征的中文问句相似度计算方法

提出了一种中文问句语义相似度计算的新方法.该方法分为两步:第一步采用基于问句句型模板规则匹配的方法提取问句语义表征;第二步根据问句语义表征计算问句语义相似度.采用该方法开发了一个面向常问问题集(FAQ)的问答系统.实验结果表明,采用该方法获得的相似度计算的准确率约为85%.

融合局部语义和全局结构信息的健康问句分类

针对已有的中文医疗健康问句分类方法的不足,提出了一种融合句子局部语义信息和全局结构信息的中文医疗健康问句分类方法。首先,通过卷积神经网络和独立循环神经网络获得医疗健康问句的局部语义表示和全部结构表示;然后,利用自注意力机制将得到的局部语义表示和全局结构表示向量融合,生成医疗健康问句的最终语义表示向量;最后,通过分类层分类并输出分类结果。实验结果表明,这种方法可以有效地提高模型的语义表示能力,且有效地改善了梯度消失和梯度爆炸问题,在中文医疗健康问句数据集上具有很好的性能。