领域问答系统答案提取方法研究

在特定领域问答系统中,领域知识直接影响问答效果.本文提出了一种领域问答答案提取方法,以问题分析得到问题查询、问题类型及答案类型为基础,借助领域知识检索获得答案提取候选段落.对于定义性问题,结合关键词加权权重计算方法及句子与问题语义相似度方法,对候选段落或句子与问题相关度排序,提取相关度高的句子或段落作为答案,对于数词或列表性实体问题,借助命名实体识别,提取与问题中心相关的领域实体作为答案.在云南旅游领域进行了答案提取实验,结果表明该方法具有较好的效果.

基于问题分类和深度模型的答案选择算法

为解决问答系统中问答句之间语义信息交互较少的问题,增强模型对问题分类信息的应用,提出一种将问题分类和预训练模型BERT相结合的答案选择模型。通过问题分类获取问句的期望答案类型,根据问句的期望答案类型遮蔽候选答案句中无关的单词,利用BERT模型更深层次的融合问题句和答案句中句法和语义特征,计算问答对的语义相似度。实验结果表明,采用融合问题分类信息的答案选择模型,在TrecQA Clean和WikiQA数据集上的MAP和MRR指标都有明显提升。

如何做好高考化学中答案型题目的规范作答

近年来,高考化学阅卷分析结果给我们的最大启示是规范答题,减少失分。减少失分与增加得分一样重要,减少失分也是增加得分。不少同学平时考试都有这样的问题:会而不对,对而不全。这主要表现在审题不严、表达不准方面。可以这么说:提高高考化学成绩,学科知识是基础,仔细审题是关键,规范表达是保障。

融合问题分类与RoBERTa的答案选择方法

【目的】为解决现有预训练模型在答案选择任务中对问答句之间的语义交互信息利用不足、模型进行微调时精度不稳定等问题,提出融合问题分类与RoBERTa模型的答案选择方法。【方法】提出保留原实体语义的EAT标注方法并结合多句联合建模的RoBERTa模型构建答案选择模型。此外,通过两段微调过程,对模型进行迁移学习,提高模型微调过程的精度稳定性。【结果】在WiKiQA数据集上,本文方法在P@1、MAP和MRR三个指标分别达到0.843、0.896、0.903;在TrecQA数据集上,上述三个指标分别达到0.955、0.944、0.974。同时,该方法提升了模型精度收敛过程的稳定性。【局限】对于“缩写(ABBR)”和“描述(DESC)”这两种类型的复杂问题,使用命名实体识别工具无法抽取答案句中的关键实体,导致不能利用这两种分类信息增强问答句语义信息交互建模。【结论】将保留原实体语义的融合问题分类信息方法与迁移-自适应策略引入多句建模RoBERTa模型,可以有效提升模型表现并改善模型的鲁棒性。

The Spike-Type Solution of Second-Order Semilinear Differential Equation with Integral Boundary Conditions

A singularly perturbed second-order semilinear differential equation with integral boundary conditions is considered. By the method of boundary functions, the conditions under which there exists an internal transition layer for the original problem are established. The existence of spike-type solution is obtained by smoothly connecting the solutions of left and right associated problems, and the asymptotic expansion of the spike-type solution is also presented.

Existence of Two Periodic Solutions of a Delayed Single Species Model with Feedback Regulation and Harvest Term

By means of the continuation theorem of the coincidence degree theory,the existence of two periodic solutions of a delayed single species model with feedback regulation and harvest term is obtained.

融合答案掩码的视觉问答模型

目的现有的视觉问答模型由于受到语言先验的影响,预测准确率不高。虽然模型能够根据数据集中问题和答案的统计规律学习到它们之间简单的对应关系,但无法学习到问题和答案类型之间深层次的对应关系,容易出现答非所问的现象。为此,提出了一种使用答案掩码对预测结果中的无关答案进行遮盖的方法,迫使模型关注问题和答案类型之间的对应关系,提高模型的预测准确率。方法首先对数据集中的答案进行聚类并为每一类答案生成不同的答案掩码,然后使用预训练的答案类型识别模型预测问题对应的答案类型,并根据该模型的预测结果选择相应的答案掩码对基线模型的预测结果进行遮盖,最终得到正确答案。结果提出的方法使用UpDn(bottom-up and top-down)、RUBi(reducing unimodal biases)、LMH(learned-mixin+h)和CSS(counterfactual samples synthesizing)4种模型作为基线模型,在3个大型公开数据集上进行实验。在VQA(visual question answer)-CP v2.0数据集上的实验结果表明,本文方法使UpDn模型的准确率提高了2.15%,LMH模型的准确率提高了2.29%,融合本方法的CSS模型的准确率达到了60.14%,较原模型提升了2.02%,达到了目前较高的水平。在VQA v2.0和VQA-CP v1.0数据集上的结果也显示本文方法提高了大多数模型的准确率,具有良好的泛化性。此外,在VQA-CP v2.0上的消融实验证明了本文方法的有效性。结论提出的方法通过答案掩码对视觉问答模型的预测结果进行遮盖,减少无关答案对最终结果的影响,使模型学习到问题和答案类型之间的对应关系,有效改善了视觉问答模型答非所问的现象,提高了模型的预测准确率。