10.3969/j.issn.1003-0077.2019.03.014
基于QU-NNs的阅读理解描述类问题的解答
机器阅读理解是自然语言处理(NLP)领域的一个研究热点,目前大部分的研究是针对答案简短的问题,而具有长答案的问题,如描述类问题是现实世界无法避免的,因此有必要对该类问题进行研究.该文采用QU-NNs模型对阅读理解中描述类问题的解答进行了探索,其框架为嵌入层、编码层、交互层、预测层和答案后处理层.由于该类问题语义概括程度高,所以对问题的理解尤为重要,该文在模型的嵌入层和交互层中分别融入了问题类型和问题主题、问题焦点这三种问题特征,其中问题类型通过卷积神经网络进行识别,问题主题和问题焦点通过句法分析获得,同时采用启发式方法对答案中的噪音和冗余信息进行了识别.在相关数据集上对QU-NNs(Question Understanding-Neural Networks)模型进行了实验,实验表明加入问题特征和删除无关信息可使结果提高2% ~10%.
阅读理解、描述类问题、问题理解、神经网络
33
TP391(计算技术、计算机技术)
国家自然科学基金61673248 ,61806117;山西省研究生联合培养基地人才培养项目2018JD02
2019-04-29(万方平台首次上网日期,不代表论文的发表时间)
共8页
102-109