声明
第1章 绪论
1.1 研究背景
1.1.1 问答系统
1.1.2 问答系统分类
1.2 基于非结构化知识的开放域自动问答的现状与挑战
1.2.1 检索相关技术方法
1.2.2 答案抽取相关技术方法
1.2.3 答案选择相关技术方法
1.3 本文的主要研究工作
1.3.1 面向候选段筛选的文本匹配深度神经网络模型研究
1.3.2 基于多证据语义融合的答案重排序方法研究
1.4 论文结构
第2章 相关研究
2.1 问答系统相关技术
2.1.1 利用结构化知识的问答系统
2.1.2 利用半结构化知识的问答系统
2.1.3 利用非结构化知识的问答系统
2.2 自然语言处理的深度学习基本方法
2.2.1 单词语义编码表示
2.2.2 上下文语义编码方法
2.2.3 语义编码交互比较
2.3 面向文本匹配任务的深度神经网络模型
2.3.1 先整合后比较的模型框架
2.3.2 先比较后整合的模型框架
2.4 基于深度学习的候选段排序方法
2.5 本章小结
第3章 针对候选段筛选的多层融合文本匹配模型
3.1 引言
3.2 现有的相关模型方法分析
3.3 多层融合文本匹配模型
3.3.1 多级的融合语义编码
3.3.2 基于注意力机制的对齐和比较
3.3.3 特征整合以及预测
3.4 实验结果及分析
3.4.1 数据集
3.4.2 测试基准
3.4.3 模型参数以及性能评估
3.5 本章小结
第4章 面向候选答案重排序的多证据语义融合排序方法
4.1 引言
4.2 现有的基于深度学习的检索排序模型分析
4.3 基于多证据语义融合的深度学习排序方法
4.3.1 加入额外的语义特征
4.3.2 多证据融合的打分网络模型结构
4.4 实验结果及分析
4.4.1 数据集
4.4.2 训练及预测
4.5 本章小结
第5章 总结与展望
5.1 工作总结
5.2 工作展望
致谢
参考文献
作者在学期间取得的学术成果
国防科学技术大学国防科技大学;