问题分类

摘要： 问题设计是阅读教学设计中最重要的环节之一,能直接作用于学生的口头产出,但初中英语阅读问题设计的现状导致了学生的口头表达缺乏丰富性、准确性和逻辑性。本文在分析了阅读教学中学生口头产出问题的基础上,提出了展示性问题与参考性问题相结合的阅读设问策略。结合课例,本文介绍了读前、读中和读后三个阅读阶段问题设计的方法,并鼓励教师在读中设计有效问题链,关注对学生问题意识的培养。

摘要： Stack Overflow是最受欢迎的软件问答社区之一,用户可以在该网站发布问题并得到其他用户的回答.为了保证问题质量,网站需要尽快发现并删除低质量或者不符合社区主题的问题.当前,Stack Overflow主要采用人工检查的方式发现需要被删除的问题.然而这种方式往往不能保证问题被及时发现、删除,而且加重了社区管理员的负担.为了快速发现需要删除的问题,提出了自动化预测问题删除的方法MulPredictor.该方法提取问题的语义内容特征、语义统计特征和元特征,使用随机森林分类器计算问题会被删除的概率.实验结果表明:与现有方法DelPredictor和NLPPredictor相比,MulPredictor的准确率在平衡测试集上分别提升了16.34%和12.78%,在随机测试集上分别提升了12.38%和14.14%.此外,分析了影响问题删除的重要特征,发现代码段、问题的标题和正文第1段的特征对问题删除有重要的影响.

摘要： [目的]针对对话问句长度较短、特征稀疏等特点,多方面分层级地提取问题文本的特征,更好地理解问句含义,提升分类效果.[方法]为丰富问题文本的语义表示,充分考虑问句中的疑问词、词性、词语位置特征,在词语级基于多特征注意力机制得到多通道特征矩阵;然后利用卷积神经网络对多通道特征矩阵进行深层次短语级特征提取,并将短语级特征融合后输入双向门控循环单元(GRU)获得前后向的上下文信息;最后,为强化前后向上下文特征中的主题信息,使用潜在主题注意力得到双向文本特征,并将双向特征融合得到最终的文本向量,输入Softmax得到分类结果.[结果]本文提出的层级注意力多通道卷积双向GRU模型在三个中文问题数据集上准确率分别达到93.89％、94.47％、94.23％,比LSTM模型、CNN模型分别最高提升5.82％和4.50％.[局限]仅使用三个中文问题语料进行验证.[结论]本文模型能够更加全面深层次地挖掘问题文本语义特征,弥补问句意图理解不准确的不足,提高了问题分类性能.

摘要： 目的 旨在探讨以问题分类为基础的健康教育在帕金森病住院患者中的应用效果.方法 选取某三级甲等医院神经内科于2017年1月—2018年1月接受住院治疗的帕金森病患者80例为研究对象,分为对照组和试验组,对照组接受责任护士以幻灯片形式进行的健康教育;试验组接受以问题分类为基础的健康教育,包括问题诊断、问题探究、问题建模、问题解决.干预后,比较两组疾病不确定感、焦虑抑郁和生活质量.结果 干预后,试验组疾病不确定感、焦虑和抑郁得分均低于对照组(P<0.05),试验组生活质量得分高于对照组(P<0.05).结论 以问题分类为基础的健康教育能更有效地改善帕金森病患者治疗期间疾病不确定感、焦虑抑郁心理和提高其生活质量.

摘要： 目的 探讨以问题分类为基础的健康教育在胃癌术后家庭营养支持中的应用效果. 方法 2018年4月-2019年4月,将84例胃癌手术患者随机分为对照组(n=42)和试验组(n=42),对照组采用常规药物治疗和围术期护理,试验组在此基础上实施以问题分类为基础的健康教育,即通过问题诊断、问题探究、问题建模、问题解决进行健康教育.干预后,比较两组饮食健康知识掌握情况、营养指标、营养评分及并发症的发生率.结果 干预后试验组饮食健康知识掌握情况优于对照组(P＜0.05),试验组体重、白蛋白、前白蛋白、转铁蛋白、视黄醇结合蛋白、球蛋白、淋巴细胞指标较对照组高,营养风险筛查评分及患者主观整体营养状况评分较对照组改善,试验组并发症发生率低于对照组,各项目差异均具有统计学意义(P＜0.05).结论 以问题分类为基础的健康教育可提高胃癌患者术后饮食健康知识水平和营养指标,降低并发症发生率.

摘要： 本文基于LICC课堂观察范式,采用布鲁姆教育目标分类法对英语教师课堂提问行为进行了深入探讨.笔者在观察记录及分析数据后,针对课堂教学中出现的问题提出了实质性的建议,以期优化英语课堂结构,促进学生核心素养的达成,为后续课堂教学质量的提高提供参考依据.

摘要： 针对汽车故障问答文本特征稀疏、语义信息不全、深层次语义特征较难提取等问题,提出基于问题-答案语义共现的多层次注意力卷积长短时记忆网络模型(co-occurrence word attention convolution LSTM neural net-work,CACL)的问题分类方法.通过向量空间模型计算问题与答案文本中语义相似的共现词,使用注意力机制聚焦问题文本中的共现词特征,输入卷积神经网络(convolutional neural network,CNN)提取问题局部特征,通过长短时记忆网络(long short-term memory network,LSTM)及词级别注意力机制提取长距离依赖特征及其更高层次的文本特征,采用Softmax进行问题分类.结果表明,相比较于主流的问题分类方法,该方法有效提高了问题分类的精度,最高提升了10.04％的准确率.同时,试验发现当选用11个有效共现词且共现词来自问题文本时,模型的处理精度最佳.合理利用问题-答案文本语义相似的共现词,能有效提升汽车故障问题的分类性能,且共现词的个数、来源对问题的分类精度有一定的影响.

摘要： 民用飞机生产难度大,产品质量不够稳定,在研发和批量生产过程中极易出现非预期性的质量问题.为保证民用飞机的生产质量,生产制造商必须要准确预测产品总体质量并预防治疗问题.本文就3P模型下的航空产品质量问题分类展开研究,首先阐述了3P模型和质量问题分类,其次对质量问题分类体系问题进行分析,最后对3P模型下的质量问题分类展开研究.

摘要： 数列部分的知识具有较强的综合性,涉及的知识点较多,能够结合其他数学知识,构成综合性较强的题目,给学生的数学学习带来较大的障碍。文中以与数列有关的四种常见综合性问题为例进行说明,为数列部分的教学提供参考。

摘要： 作为问答系统中的关键组成部分——问题分类,它的目的是以自然语言提问的问题的答案类型可以预先确定,进而准确地进行问句分类.问题分类的典型方法是机器学习的方法,并且采用一元词作为特征,增大了特征空间.本文构造一个面向潜在语义分析的中文问题分类模型,使用潜在语义分析技术降低特征空间的方法,将大的特征空间降低到更小更有效的特征空间.将潜在语义分析应用到问题分类中,不仅提高分类效率,节省时间,而且通过去除不相关特征信息提高问题分类的准确性.

摘要： 文章主要介绍了藏文在线自动问答系统中问题分类的方法,对每个问题类型设计了较为合理的匹配规则,如果一个问题和一个规则相匹配,此问题就属于该规则对应的答案类型,利用这种策略可以降低检索的空间,提高检索的效率,尤其此方法在藏文自动问答系统中可以有效地提高人们获取信息的准确性.

摘要： 句法分析的结果用于问题分类的特征提取,可突出问题分类的主要特征.针对问题分类中对把握句子中心结构的要求较高,而对修饰性成分的分析要求较低的特点,提出一种基于二元组合文法的句法分析.分析过程中以算子之间的优先级约束中心词信息的组合限制句子结构的生成.实验中在人工归纳的300余种二元算子的基础上实现了该文法的句法分析.实验结果证明,由于优先级的限制,句法分析过程中去掉了大部分的歧义结构.该方法有利于提高句子中心词的分析正确率,进而提高问题分类的性能.

摘要： 问题分类是自动问答系统中关键模块之一，而问题中的关键词语是问题分类的重要依据。本文主要探讨了问题词和中心词在问题分类中所起的作用，提出了一种基于问题词和中心词的新型层次化结构问题分类器。它首先利用问题词对句子集简单分为三类，然后对于每个类别分别设计相应的分类器，其中对于what型问题，构造了基于关联规则的中心词分类器。新设计的层次化结构分类器在trec 2007 QA问题集和UIUC数据集上都达到了很高的分类精度，显示了问题词和中心词在问题分类中至关重要的作用。

摘要： 问题分类是问答系统技术处理的基础与核心,它决定答案抽取的范围和方法,进而影响整个系统的性能.通过对比分析问题分类与文本分类的异同以及问句内部结构与问题类型之间的关系,提出了一种新的基于贝叶斯理论的问题分类计算模型.通过对比实验,证明在计算模型中增加特征项扩展可以有效地减小问句较短和标注语料库较小对统计结果的影响,而基于疑问词的2-gram组合,较好地利用了问句结构特征,提高了问题分类的精确度。

摘要： 随着计算机互联网络技术的发展,开放域问答系统越来越受到人们的关注,因为它能够给用户提供相对简洁、准确的结果.开放域问答系统通常包括问题分类、问题扩展、搜索引擎、答案抽取和答案选择五个主要部分.问题分类在问答系统中起着很重要的作用,它的准确性直接影响到最终抽取的答案的准确性.本文在对已有的贝叶斯分类方法进行分析的基础上,对该方法进行了改进.为了验证该方法的效果,构造了问题的训练集和测试集.从实验结果可以看出,该方法在实际应用中获得了较好的效果.

摘要： 随着网络搜索引擎技术的飞速发展，对于问答系统的需求愈发迫切。而问答系统处理问题的第一步就需要分辨情感问题和非情感问题并对情感问题进行分类。本文首先分析了当前问答系统和问题分类领域的研究现状，总结了一些存在的问题。然后针对情感问题从三个方面进行分类。在语义层面，提取了三个

摘要： 围绕中文问答系统中的问题理解技术,本文研究了如何进行词法分析、问题分类、关键词提取及扩展、句型分析和浅层语义分析,主要提出了基于启发的疑问词和疑问焦点相结合的问题分类方法、问句统一型的句型分析方法和基于语义角色标注的语义分析方法。在此基础上,在Visual C++6.0环境下开发了一个基于简单的事实类问题的中文问答系统原型。实验结果表明:本文提出的方法对改善中文问答系统的性能是有效的。

摘要： 问题分类是问答系统中重要的组成部分,问题分类结果的好坏直接影响问答系统的性能.本文提出了一种新的问题层次分类方法,该方法结合类别主特征与问题句法特征,对满足类别临界条件的问题,利用具有良好分类特性的类别主特征进行分类,使其小类分类精度达到92.99％,对于其他问题,采用贝叶斯分类器分类,总的准确率达到大类88.25％和小类73.15％,比传统的层次分类分别提高了10个百分点,证明了此方法的有效性.

摘要： 智能问答技术是自然语言处理领域中一个非常热门的研究方向,它综合运用了各种自然语言处理技术。本文主要研究智能问答系统的关键技术。首先,详细地介绍了自动问答系统的概念原理与主要组成部分。其次,对该系统的中文分词模块及其相关技术进行了比较深入的研究,选择最大匹配、逆向最大匹配和设立自然切分点相结合的算法；在歧义字段处理方面,提出了基于句子整体考虑的计算句子词频和的方法,能够在处理特定歧义问题方面有很好的改进和提高。再次,对特定领域的问题进行分类,便于系统根据问题类别进行答案匹配。最后,利用赋权值方法,完成答案的提取,以句子作为答案匹配的基本单位。基于上述理论与算法,实现了一个地理领域的智能问答系统。

摘要： 通过分类深度问题回答系统接收的第一事例，并且通过在训练深度问题回答系统回答第一事例时，识别第一事例中的第一特征，为第一特征计算第一特征分值，（所述第一特征分值指示在生成对第一事例的正确响应过程中第一特征的相关性，）以及一旦确定第一特征分值超过相关性阈值，则在回答被分类第一事例的过程中将第一特征识别为相关，本发明公开在深度问题回答系统中识别相关特征的系统和方法。此外，本发明公开深度问题回答系统生成对第一事例的响应的系统和方法，以及识别出在深度问题回答系统回答问题所使用的证据中的变化的系统和方法。

摘要： 本发明公开了一种用于解决多分类问题的纠错SVM分类方法，属于模式识别和机器学习技术领域。其特征是由纠错SVM网络的训练系统和纠错SVM网络的工作系统组成。纠错SVM网络的训练系统由编码器、训练样本集划分器、n个SVM单元训练器组成；纠错SVM网络的工作系统由经过纠错SVM网络的训练系统训练好的n个SVM单元、解码器组成。本发明利用数字通信中的纠错编码算法将多个SVM进行有效地组合，使得组合后的SVM网络具有纠正其中部分SVM单元所发生的分类错误的能力，而且需要使用的SVM单元的数量较少，从而使该分类方法的综合性能得到提高。

摘要： 本发明属于统计机器学习技术领域，具体涉及一种用于在大规模数据分类问题中训练SVM分类器的方法。该方法首先训练样本的聚类，根据聚类结果，把具有相同标签的样本分别拟合成高斯模型，作为训练的基本信息单元；然后根据K个高斯模型建立K×K的核矩阵，并建立带约束的二次规划问题，用数值方法求解之；最后利用该二次规划问题的解得到分类器的决策函数，使用该决策函数对测试样本进行预测。本发明方法对时间复杂度和空间复杂度都大有降低；可广泛应用于多媒体信息检索、生物信息识别、金融信息处理等领域。

摘要： 通过分类深度问题回答系统接收的第一事例，并且通过在训练深度问题回答系统回答第一事例时，识别第一事例中的第一特征，为第一特征计算第一特征分值，（所述第一特征分值指示在生成对第一事例的正确响应过程中第一特征的相关性，）以及一旦确定第一特征分值超过相关性阈值，则在回答被分类第一事例的过程中将第一特征识别为相关，本发明公开在深度问题回答系统中识别相关特征的系统和方法。此外，本发明公开深度问题回答系统生成对第一事例的响应的系统和方法，以及识别出在深度问题回答系统回答问题所使用的证据中的变化的系统和方法。

摘要： 本发明公开了一种基于深度学习的问题分类模型训练方法、问题分类方法以及装置。其中问题分类模型训练方法包括：提取问题文本样本中的特征信息样本，并生成对应的第一特征向量样本；对第一特征向量样本进行空间变换，得到第二特征向量样本；将第二特征向量样本输入至多层卷积神经网络中的多个卷积层和多个池化层，以通过叠加卷积操作和池化操作，得到第一融合特征向量样本；将第一融合特征向量样本输入至多层卷积神经网络中的全连接层，得到全局特征向量样本；根据全局特征向量样本对Softmax分类器进行训练，得到问题分类模型。该方法可免去大量人工设计特征的开销，通过该问题分类模型可以得到更加准确的分类结果，提高了标准问题与答案的定位。

摘要： 本公开提供了一种生产问题分类模型的训练方法，可以应用于金融领域及人工智能技术领域。该生产问题分类模型包括关键词提取层和分类层，该生产问题分类模型的训练方法包括：获取训练样本数据集，训练样本数据集包括已知问题描述文本；将已知问题描述文本输入待训练的生产问题分类模型的关键词提取层，输出关键词集合；以及利用关键词集合训练待训练的生产问题分类模型的分类层，得到训练完成的生产问题分类模型。本公开还提供了一种生产问题分类方法、生产问题分类模型的训练装置、生产问题分类装置、设备、存储介质和程序产品。

摘要： 本申请公开了一种问题分类方法，问题分类装置、电子设备及计算机可读存储介质，其中，该问题分类方法包括：在待处理的客服问答数据中，提取得到两个以上主问题，其中，每个主问题均对应有各自的类别ID；根据第一主问题及第二主问题的类别ID，分别确定所述第一主问题及所述第二主问题的第一类别、第二类别及第三类别，其中，所述第一类别为问题的最大所属类别，所述第三类别为问题的最小所属类别；根据所述第一主问题及所述第二主问题的第一类别、第二类别及第三类别，确定所述第一主问题与所述第二主问题的相关级别。本申请方案可挖掘出不同问题之间的深层相关关系，帮助提升智能客服的反馈结果的准确度。

摘要： 本申请涉及人工智能技术领域，提供了一种问题分类模型，包括：级联的n个分类模型，n为两个或两个以上；n个分类模型中包括级联的第i‑1个分类模型、第i个分类模型；第i个分类模型根据用户问题、第i‑1个分类模型输出的分类结果，输出第i个分类模型的分类结果，其中，第i个分类模型比第i‑1个分类模型所输出的分类结果的分类类别的颗粒度小。还提供了相应的问题分类方法以及问题分类模型的训练方法。本申请实施例提供的方案可以实现即使在少量样本数据训练的情况下，也能较为准确的实现问题的分类，提供较为准确的对应问题的答案。

摘要： 本发明公开了一种基于深度学习的问题分类模型训练方法、问题分类方法以及装置。其中问题分类模型训练方法包括：提取问题文本样本中的特征信息样本，并生成对应的第一特征向量样本；对第一特征向量样本进行空间变换，得到第二特征向量样本；将第二特征向量样本输入至多层卷积神经网络中的多个卷积层和多个池化层，以通过叠加卷积操作和池化操作，得到第一融合特征向量样本；将第一融合特征向量样本输入至多层卷积神经网络中的全连接层，得到全局特征向量样本；根据全局特征向量样本对Softmax分类器进行训练，得到问题分类模型。该方法可免去大量人工设计特征的开销，通过该问题分类模型可以得到更加准确的分类结果，提高了标准问题与答案的定位。

摘要： 本发明提供了一种基于问题分类确定问题答案的方法、装置及电子设备，用于解决现有技术中识别亲属称谓计算问题的准确性较低，获取答案时间较长的问题。包括：获取问题的文本信息；通过预先训练的问题分类模型对所述文本信息进行分类；响应于所述文本信息被分类为预定类别且所述文本信息满足预定的规则，调用对应的计算函数来获取问题对应的答案。