基于句内注意力机制多路CNN的汉语复句关系识别方法

复句的关系识别是对分句间语义关系的甄别,是复句语义分析的关键,旨在从文本中识别句间的关系类型。非充盈态汉语复句存在隐式关系的特点给语义关系识别造成了困难。为了深度挖掘复句中隐含的语义信息,正确地实现关系分类,该文提出了一种基于句内注意力机制的多路CNN网络结构Inatt-MCNN。其中句内注意力机制模型是基于Bi-LSTM的,使其能够学习到句子的双向语义特征以及分句间的关联特征。同时,为了充分利用文本特征,联合使用卷积神经网络(CNN)对复句表示再次建模获得句子局部特征。与其他基于汉语复句语料库(CCCS)和清华汉语树库(TCT)的实验结果相比,该文方法的宏平均F1值为85.61%,提升约6.08%,平均召回率为84.87%,提升约3.05%。

基于句内注意力机制的答案自动抽取方法

答案自动抽取是答案融合任务的关键技术,其效果直接影响答案融合任务结果的准确性。为了捕捉问题与答案之间的联系,提高答案自动抽取的准确性,本文引入句内注意力机制用来捕捉问题与答案之间的联系,进而提高答案自动抽取的准确性。实验结果表明,句内注意力机制能够有效发现问句与答案的关系,提升答案自动抽取效果。

基于注意力机制的答案选择方法研究

答案选择是自然语言处理的重要任务之一,能够在问答社区系统中挖掘并分析用户生成内容里的有效信息。作为答案选择的重要依据,问题句与候选答案句之间语义相关性的排序结果对结果的可靠性有很大影响。为此,本文提出了引入注意力机制的答案选择模型,以此增强模型的句间语义相关性的捕获能力,进而确认正确的答案句。实验结果表明,在答案选择任务中,本文基于层叠注意力机制的答案选择模型明显优于基线方法。