基于模式知识库的问题回答关键技术研究

摘要

本文正是在这种前提下，对问题回答技术进行了探索性研究。　　本文的工作主要集中在基于模式知识库实现问题回答的关键技术上，设计并实现了问题回答系统，参加了国际文本检索会议的评测。以此为基础，我们将模式匹配技术应用到了一个相关的更新的研究领域-阅读理解，并取得了好的效果。　　本文对具有复杂结构的问题实现了模式学习，包含多个问题元素的较复杂的答案模式对于抽取出正确答案更有效更可靠。这是简单模式所无法覆盖的。同时，我们对模式匹配得到的侯选答案增加了语义类型约束，使其有更高的准确率。　　本文为了使学习到的答案模式有更好的可扩展性，我们采取了泛化策略，在模式中加入了实体名的信息，这样，模式组成结构中不仅包含词形，也融入了语义信息，使其具有较好的鲁棒性。　　本文在阅读理解系统的实现中，我们引入了WordNet的同义词信息、模式匹配和上下文辅助策略，取得了明显的效果，进一步提高了系统性能，性能超过了之前的最好结果。

目录

文摘

英文文摘

论文说明：表目录、图目录

第一章问题回答介绍

1.1问题回答的背景

1.1.1 TREC QA简介

1.1.2 Reading Comprehension简介

1.2问题回答研究现状

1.2.1问题回答任务及发展概述

1.2.2问题回答系统评价

1.3阅读理解研究现状

1.3.1阅读理解任务描述

1.3.2阅读理解系统评价

1.4问题回答与信息检索及信息抽取之间关系

1.5本文组织结构

第二章基于模式学习的问题回答

2.1介绍

2.1.1基于模式学习的问题回答系统组成

2.1.2问题回答系统中的模式学习及相关工作

2.1.3信息抽取中的模式学习

2.2基于模式的问题回答系统结构

2.2.1问句分析

2.2.2文档片段检索

2.2.3答案抽取

2.3问题回答实例

2.4本章小结

第三章模式知识库的建立

3.1介绍

3.2问题分类模式

3.2.1答案类型分类

3.2.2问题模式

3.2.3问题分类

3.3答案抽取模式

3.3.1问句转换模式

3.3.2模式自动学习算法

3.3.3模式泛化

3.4模式评价算法

3.5模式库总体描述及性能

3.6本章小结

第四章模式知识库的应用

4.1介绍

4.2查询扩展应用

4.3答案抽取应用

4.3.1基于模式的答案抽取

4.3.2基于距离和实体名识别的答案抽取

4.3.3 Definition类型问题回答

4.4 QA系统性能评价

4.4.1检索参数对系统性能影响

4.4.2答案排序对系统性能影响

4.4.3训练样例数目对系统性能影响

4.5错误原因分析

4.6本章小结

第五章阅读理解

5.1介绍

5.2策略

5.2.1 BOW及扩展BOW

5.2.2模式匹配

5.2.3上下文辅助

5.3实验结果及性能分析

5.3.1实验结果

5.3.2性能分析

5.5阅读理解任务与问题回答任务的差异性

5.6本章小结

第六章总结与展望

6.1工作总结

6.2展望

附录

参考文献

攻读博士学位期间主要工作

致谢

论文独创性声明及使用授权声明