基于图注意力网络的时序知识图谱人机交互模型

组织和检索信息是人机交互重点关注的话题之一。基于知识图谱(Knowledge Graph,KG)的智能问答系统通过语义解析用户问题,检索知识并回答问题,已成为一种信息检索的有效途径,是人机交互的典型应用。时序知识图谱(Temporal Knowledge Graph,TKG)问答系统通过语言模型获取问题中的实体和时间戳,并在大型TKG中检索答案。TKG问答系统包含2个挑战:①给定问题,需检索整个TKG,效率低且易受干扰项的影响;②难以捕获问题中隐含的时间词和时间顺序信息。提出一种基于图注意力网络的时间对比学习(Time Contrast Learning,TCL)模型,将源问题与替换时间词后的对比问题同时训练,使用图注意力网络更新实体邻接子图的节点特征,缩小潜在答案的检索空间。在CRONQUESTIONS数据集上进行大量实验,结果表明TCL比其他基准方法具有更好的性能,相较于最先进的基准方法在H it@1和Hits@10指标上平均提升3.44%和2.02%。

基于词向量和卷积神经网络的税务问答系统

税务咨询问答业务量大,要求专业程度高,且近年来新出台的税收优惠政策较多,纳税人针对税务相关法律法规的咨询需求也是日益见长。现有的税务咨询方式大都是办税大厅现场咨询或电话咨询,税务工作者需要针对纳税人的问题,不断学习和查阅相关政策法规,使得税务机关面临着巨大的咨询压力。现如今虽然一些税务机关开始尝试利用互联网进行线上税务咨询,但大都是留言咨询,需要人工对问题进行解答,大量热点问题集中造成系统拥堵,且不具备即时性,不能有效解决当前问题。智能问答技术能够有效解决上述问题,基于该技术构建的税务问答系统具有效率高、实用性强等优势,对纳税人和税务工作者都提供了更多的便利。

信通机器人多场景问答的人工智能技术研究

信通行业客户所提出的交互独立问句缺省较多,且上下文的关联性较强,导致当前的信通客服机器人的回复技术已经无法满足客户需求。为此,提出信通机器人多场景问答的人工智能技术。信通客服机器人回复内部架构的设计包括语音识别、文本识别、语义理解和对话交互等多种功能模块。利用朴素贝叶斯分类器对客户消息进行识别分类。通过联系上下文提取客户消息中的问点,将长短期记忆网络应用在回复消息匹配的计算过程中,以获取较优的回复内容。在客服机器人性能测试中,设置了不同场景以进行测试。测试结果表明,在不同的场景中,信通客服机器人的各个指标均优于传统的客服机器人,并且具有较好的问答回复效果。该结果验证了所设计的客服机器人的场景通用性和有效性。

基于深度神经网络的图像碎片化信息问答算法

大量结构无序、内容片面的碎片化信息以文本、图像、视频、网页等不同模态的形式,高度分散存储在不同数据源中,现有的研究通过构建视觉问答系统(visual question answering,VQA),实现对多模态碎片化信息的提取、表达和理解.视觉问答任务给定与图像相关的一个问题,推理相应的答案.在视觉问答任务的基本背景下,以设计出完备的图像碎片化信息问答的框架与算法为目标,重点研究包括图像特征提取、问题文本特征提取、多模态特征融合和答案推理的模型与算法.构建深度神经网络模型提取用于表示图像与问题信息的特征,结合注意力机制与变分推断方法关联图像与问题2种模态特征并推理答案.实验结果表明:该模型能够有效提取和理解多模态碎片化信息,并提高视觉问答任务的准确率.

基于本体的智能答疑系统的研究与实现

自动答疑是现代远程教学系统中一个重要组成部分,然而目前的自动答疑系统大多以关键词匹配为基础,忽视了关键词本身所含的语义信息、查询效率和结果不能满足用户的需要。提出了一个基于本体的智能答疑系统,利用本体中概念规范、语义关系明确的特点,将用户的问题查询请求进行语义上的扩展,增加了对语义信息的理解,有效地提高了查询的准确性。

基于网络学习的智能答疑系统的设计与实现

根据语义网络原理,构建了一个基于限定领域的智能答疑系统,给出智能答疑系统的实现方案,对语义网络、自动分词等主要技术问题进行了分析和讨论.

基于混合神经网络的智能问答算法

为让用户通过输入自然语言就可以跟机器进行交互,实现文本的智能问答,提出基于混合神经网络的智能问答算法。将LSTM(long short-term memory)和CNN(convolutional neural network)相结合。利用LSTM计算问题和答案的语义特征,针对语义特征的选择进行改进。采用CNN对LSTM得到的语义特征进行筛选;通过计算问题和答案特征之间的相似度得到该模型的目标函数,给出问题对应的正确答案。仿真结果验证了该算法的可行性及有效性。

电信运营商知识图谱技术体系研究及应用实践

知识图谱在电信运营商业务及运维场景的知识搜索、工单处理、智能服务、故障分析等领域发挥着重要作用,以中国移动业务运营场景为依托,体系化地研究了知识图谱技术体系,基于应用场景、服务对象可分为问答检索类知识图谱、工单分析类知识图谱、系统运维类知识图谱和业务运营类知识图谱,并介绍其技术架构、业务架构及构建方法,引出知识图谱演进与发展的规划目标。

网络答疑系统现状分析

网络答疑系统在远程教育中起着非常大的作用,它能够促进师生交流、帮助学生找到问题的答案,提高学生的学习效率,同时也可以避免教师对同样的问题做出反复的解答,有利于教学质量的提高。本文对国内外网络答疑系统的现状进行了分析,指出了网络答疑系统目前存在的不足,并指出了网络答疑系统发展的方向。

网络教学平台下智能答疑系统的研究与设计

智能答疑系统是基于网络教学领域的自动问答系统,该系统服务于用户远程学习中的疑难问题解答,可有效提高网络教学的质量。

记忆神经网络的研究与发展

首先,根据记忆神经网络训练形式的不同,介绍了强监督模型和弱监督模型的结构特征和各自应用场景以及处理方式,总结了两类主要模型的优缺点;随后,对两类模型的发展和应用(包括模型创新和应用创新)进行了简要综述,总结了各类新模型在处理自然语言过程中所起的关键作用;最后梳理了记忆神经网络处理自然语言所面临的复杂性挑战,并预测了记忆神经网络未来的发展方向.

基于知识图谱的配电网故障辅助决策研究

调度决策知识存在于调度规程等文本文件、数据库以及专家经验中,调度员在故障处理时需要依赖大量的专业知识支撑、历史和实时电网态势感知,并根据情况变化在短时间内做出最优决策。针对调度知识复杂,调度决策实时性高等需求,提出了一种基于知识图谱的配电网故障辅助决策方法,利用电网调度规则、故障预案以及人工经验知识构建包含调度知识、故障处理知识、业务流程知识的故障调度知识图谱,构建以电网拓扑结构形成的知识表征,将故障预案及故障处理案例以事件簇形式进行关联。结合人工智能标记语言(artificial intelligence markup language,AIML)和图算法,实现配电网调度故障的辅助知识问答、案例匹配以及业务推荐等,通过故障反馈信息和实时决策场景完成多目标的配电网重构策略生成。最后,研发了具有友好交互性的故障调度辅助决策应用系统,并已在湖南长沙市配电网在线投运,验证了所提推荐算法及交互策略的有效性,表明该系统能够给调控人员提供快速、智能、准确的辅助决策支持。

基于章节本体和转移网络的自动答疑系统

针对现有本体和转移网络在网络教育自动答疑系统中应用的不足,提出了一种基于章节划分的本体与转移网络方法。定义了章节本体,确定了基于章节本体的问题模式,给出了基于章节划分转移网络解决规范化问题的答案生成。基于章节本体知识给出了语义相似度模型,用于解决非规范问题的答案生成;基于章节划分转移网络建立了章节索引转移子网的搜索方法。实验结果表明,基于章节划分的本体论和转移网络方法在不降低搜索效果的情况下,比一般的本体论和转移网络方法的查询时间减少了38%。

基于BERT字向量和TextCNN的农业问句分类模型分析

【目的】研究不同词向量和深度学习模型组合对农业问句分类结果的影响,为构建农业智能问答系统提供技术支撑。【方法】通过爬虫获取农业种植网等网站的问答数据,选择20000条问句进行人工标注,构建农业问句分类语料库。采用BERT对农业问句进行字符编码,利用文本卷积神经网络(TextCNN)提取问句高维度特征对农业问句进行分类。【结果】在词向量对比实验中,BERT字向量与TextCNN结合时农业问句分类F1值达93.32%,相比Word2vec字向量提高2.1%。在深度学习模型的分类精度对比方面,TextCNN与Word2vec和BERT字向量结合的F1值分别达91.22%和93.32%,均优于其他模型。在农业问句的细分试验中,BERT-TextCNN在栽培技术、田间管理、土肥水管理和其他4个类别中分类F1值分别为86.06%、90.56%、95.04%和85.55%,均优于其他深度学习模型。超参数设置方面,BERT-TextCNN农业问句分类模型卷积核大小设为[3,4,5]、学习率设为5e-5、迭代次数设为5时效果最优,该模型在数据样本不均衡的情况下,对于农业问句的平均分类准确率依然能达93.00%以上,可满足农业智能问答系统的问句分类需求。【建议】通过阿里NLP等开源平台提升数据标注质量;在分类过程中补充词频和文档特征,提高模型分类精度;农业相关政府职能部门加强合作,积极探索农业技术数字化推广和服务新模式。

视觉问答语言处理方法综述

视觉问答中的语言处理方法对视觉问答模型的性能影响巨大。语言处理方法源于自然语言处理,但在发展过程中与自然语言处理领域最先进技术脱节,导致视觉问答中涉及的问题理解和答案生成受阻。产生这一问题的根源主观上是研究人员对语言处理方法的重要性认识不足,客观上则是相关研究文献的匮乏。针对上述问题,通过分析语言处理对视觉问答的价值,调查视觉问答中涉及到的语言处理方法和最新研究成果,归纳总结语言处理方法的类型,从而为研究人员认识语言处理重要性提供基础;探讨了自然语言处理技术对视觉问答中语言处理方法的推动作用,并展望了语言处理方法未来的发展方向。

基于动态卷积神经网络的医疗智能问答技术研究

目的:基于各种医疗健康信息在线平台积累的大量问诊数据,应用自然语言处理相关技术构建医疗领域智能问答模型,为患者提供服务。方法:采用循环神经网络和动态卷积神经网络抽取问题与答案的文本特征,使用多层全连接神经网络评判二者匹配度以构建问答模型,采用P@1和MAP指标对模型进行评估。结果:模型能在备选答案中准确地辨别出指定问题的正确答案,效果明显优于基线模型。结论:该模型可以准确地回答患者提出的常见医学问题,可作为后期搭建医疗智能问答系统的底层模型。

基于Lucene的网络学习智能答疑系统的设计与实现

介绍网络学习智能答疑系统对学习者的提问利用Lucene检索引擎进行检索,并将检索结果的相关词语进行存储,使得系统对后续学习者提问的回答可以利用前续的"结果",从而随着系统的使用,系统的答疑功能会越来越"智能"。

融合注意力机制的Unified-Transformer自动问答系统研究

智能问答是自然语言处理领域一个非常热门的研究方向,其综合运用了很多自然语言处理技术。为提高智能问答系统的正确性和准确性,文章提出了融合注意力机制的Unified-Transformer模型。在数据集上对提出的算法进行了测试,实验结果表明,相较于常用的模型,该模型可以更好地解决问答问题,提升问答系统的精度,可以为其他领域的问答系统提供全新的思路。

基于动态记忆网络的智能视觉问答系统的设计与实现

随着计算机技术和人工智能的发展,视觉问答在未来的导盲机器人等领域的应用会越来越广。为了探究这一应用的可行性和更高效地收集视觉问答的数据资源,研究构建了一种基于动态记忆网络的智能视觉问答系统,允许对不同摄像头中的图像或本地输入的图像进行提问,系统会自动地进行处理并给出较为合理的回答。另外,该系统也实现了将人为校验和修正后的视觉问答数据实时地储存到数据库中,为以后的工作提供数据支持。实验结果表明,该智能视觉问答系统在两个不同的测试集上的准确率可以达到60%左右,说明系统是可行有效的。

基于知识增强的企业技能智能问答应用研究

为解决公司员工对公司专业技术知识进行频繁查询而无法得到及时响应和准确答案的问题,本文以知识图谱结合神经网络为基础来进行知识增强,构建出一种针对公司特定知识领域的智能问答模型。主要利用双向LSTM神经网络将复杂多变且不标准的自然语言查询语句转换为公司专业知识库中对应的标准问题以解决查询不标准情况。然后结合由公司专业知识库中的问题、相似问题和答案等实体构建的知识图谱使得返回答案比较准确。通过相关实验,本文模型准确率达到83.44%,能及时响应和准确回答用户查询,节省了大量资源。