問題理解增強閱讀理解方法研究論文設(shè)計

1、問題理解增強閱讀理解方法研究論文設(shè)計 i 問題理解增強的理解方法 研究 machine reading comprehension based on question understanding enhancement 中 中 文 摘 要 機器理解是指基于給定上下文機器自動回答相應(yīng)的問題1 ，不僅是人工智能及自然語言處理領(lǐng)域的一個研究熱點，更是一個挑戰(zhàn)。機器是否正確、充分地理解問題是研究理解任務(wù)的關(guān)鍵和基礎(chǔ)。本文針對模型對問題理解不充分提出了相應(yīng)的解決策略，主要工作如下： （1）提出一個基于多維度問題理解的理解方法。本文通過問題類型識別、問題重要詞識別、添加外部知識等多個維度提高模型對問題的理

2、解。多維度問題理解的解答策略的主要思想是：a.人工標(biāo)注部分?jǐn)?shù)據(jù)訓(xùn)練一個初標(biāo)注 textcnn 模型并得到所有數(shù)據(jù)的問題類型；b.通過句法分析樹和人工制定的規(guī)則獲得問題的重要詞；c.針對問題重要詞在模型中加入外部知識；d.將之前所有的信息融入到理解模型中。在 dureader2.0 數(shù)據(jù)集上進行方法檢驗，融入多維度問題理解的理解模型比基線模型的 rouge-l 值和 bleu-4 值分別提高了 8,2%、7%。 （2）針對隱式問題提出了相應(yīng)的理解策略。我們將不包含疑問詞的問句定義為隱式問題，處理此類問題的主要思想為：a.首先判斷問句是否為隱式問題；b.對隱式問題進一步分為兩類：一般隱式問題和復(fù)雜

3、隱式問題；c.針對一般隱式問題，基于規(guī)則的方法添加疑問詞將其轉(zhuǎn)換為顯式問題；針對復(fù)雜隱式問題，依據(jù)問題答案使用textrnn 模型識別問題中缺失的疑問詞并將其轉(zhuǎn)換為顯式問題。實驗結(jié)果表明：融入隱式問題處理的理解模型比基線模型的 ii rouge-l 值和 bleu-4 值分別提高了 3.6%、2%，融入隱式問題處理和多維度問題理解方法的理解模型比基線模型的 rouge-l 值和bleu-4 值分別提高了 9.5%、7.8%。 （3）設(shè)計并實現(xiàn)了一個針對中文篇章片段抽取式的理解原型系統(tǒng)。本文依據(jù)上述研究方法設(shè)計并實現(xiàn)了一個針對中文篇章片段抽取式的理解系統(tǒng)。本系統(tǒng)解答的大致思路為：首先對問題和篇章進行預(yù)處理，并判斷問題是否為隱式問題，如果是則先將其轉(zhuǎn)換為顯式問題，如果不是不做任何處理；然后對問題進行分類、識別問題中的重要詞，針對問題中的重要詞加入相應(yīng)的外部知識，并將以上問題的特征一起輸入到理解模型中；最后，通過 attention 機制對篇章和問題交互建模，從篇章中找到與問題句關(guān)系較大的句子作為答案句輸出。 本文提出的融