导读:本文包含了交互式问答论文开题报告文献综述及选题提纲参考文献，主要关键词:交互式问答,对话行为结构,语句关系结构
交互式问答论文文献综述
周小强,王晓龙,陈清财[1]（2018）在《交互式问答的关系结构体系及标注》一文中研究指出交互式问答是一种对话式的、连续的、前后关联的信息交互形式,交互式问答的关系结构直接体现了交互式场景在不同语言层面上的上下文关联。该文归纳分析了交互式问答中的对话行为和语句关系,在此基础上提出了对应的关系结构体系;为了验证类别体系的合理性,对真实环境中的交互式问答语料进行了对话行为标注和上下文语句关系标注;并针对交互式问答的关系结构,采用隐马尔可夫模型总结分析了交互式问答中对话行为的变化规律,统计分析了交互式问答的语句关系结构特点。(本文来源于《中文信息学报》期刊2018年05期）
何花,任洪潮[2]（2018）在《交互式问答专利技术综述》一文中研究指出交互式问答技术为快速便捷地从互联网中获取有用信息提供了技术支持,成为了通信领域的热点研究技术。本文通过对交互式问答技术进行定量统计分析,为研究交互式问答技术提供参考。(本文来源于《中国新通信》期刊2018年04期）
周小强[3]（2017）在《基于深度学习的交互式问答技术研究》一文中研究指出随着移动互联网的日益普及和移动智能终端的迅猛发展,智能交互系统已在日常生活工作领域中得到了广泛应用,如在线客服和金融咨询等。作为智能交互系统中的一种重要存在形式,交互式问答通过自然连续的人机对话交互实现用户信息的自动反馈,而其中的关键研究问题在于如何学习和表示上下文关联的自然语句,以及如何自动解析交互场景中复杂抽象的上下文语句关系。近年来,深度神经网络在语音识别、图像分类和机器翻译任务上都表现出强大的数据抽象表示能力,深度学习也成为了自然语言处理研究领域中的一种主流方法。鉴于此,本文研究基于深度学习的交互式问答技术,通过深度神经网络探讨交互式问答的上下文表示学习和语义关系建模,主要深入研究交互式问答系统框架中所涉及的关键技术问题。首先,本文针对交互式场景中的上下文关联现象,构建了面向真实环境的交互式问答知识库,为交互式问答技术研究提供了一份可靠的语料资源。本文首先收集了真实网购环境下的交互式问答语料,并分别从语境、语用和语义叁个方面分析了上下文关联现象中的话题关联、用户行为依赖和上下文语义关系;然后标注了交互式问答中的语句话题、用户行为和上下文语句关系,建立了基于话题类别和用户行为类别的问答知识框架,知识库中的问答知识条目对应于基于上下文关系划分的问答语句序列。本文所构建的交互式问答语料库和知识库可用于评测交互式问答的问句解析、关联问句检索、答案选择和上下文关系结构解析等相关任务。本文通过用户意图分析任务验证了语料知识库的数据可靠性,并通过隐马尔可夫的对话建模归纳分析了交互式问答的话题关联结构和对话行为结构。其次,本文对交互式问答中的问句解析问题进行了研究,提出了基于循环神经网络的交互式上下文表示学习模型。面对交互式问答中普遍存在的语义缺省情况,本文通过自动编码-解码的无监督学习架构进行上下文表示学习的端到端建模,实现了交互式问答上下文的自动编码和解码,并结合分类器完成了基于上下文的问句解析表示。针对上下文编码,模型通过交互式语句编码机制学习上下文场景中的语言匹配模式。本文提出的模型不仅消除了对于逐步式问句解析方法中问句完整性判别、上下文抽取和问句补全等相关处理的性能依赖,而且降低了问句解析模型在有监督学习过程中对于人工先验知识的依赖。实验表明,本文提出的上下文表示学习模型具有更好的任务自适应性,对应的用户问句解析性能也优于其他对比模型。接着,本文对交互式问答中的问答匹配问题进行了研究,提出了基于循环卷积神经网络模型的上下文关联场景的答案选择方法。在交互式问答场景中,不仅存在问句与候选答案的语义匹配关系,还存在上下文关联答案之间的语义相似性或相关性。鉴于此,本文通过整合卷积神经网络和循环神经网络实现问答语义匹配与答案语义关联的联合建模,并提出了“渐进式”学习算法进行模型的优化训练,提高了模型对于答案语义关联信息的学习表示能力。本文分别在客服问答和社区问答的答案选择任务上进行了模型评测,实验表明,本文提出的循环卷积神经网络模型显着优于其他对比模型的答案判别性能,尤其是对语义相似或相关答案选项的有效区分;并验证了答案语义关联建模对于答案选择的有效性。最后,本文对交互式问答中的关系结构解析问题进行了研究,提出了基于注意力机制的交互式问答语句关系标注模型。交互式问答系统实现知识自学习的重要手段是面向交互式场景的问答知识抽取,其关键问题是如何正确解析上下文语境中的复杂语句关系。为此,本文通过基于匹配模式的注意力学习机制引导上下文语句关系的建模,实现了语句关系模式与句子语义成分的特征对齐,提高了模型对于复杂语句关系的学习表示能力。针对语句关系的上下文依赖,本文通过循环神经网络进行语句关系的上下文建模,实现了基于上下文语境的语句关系学习及标注。实验表明,本文提出的关系标注模型明显优于其他对比模型的解析性能;模型能够有效识别出交互式场景的复杂语句关系,抽取出包含完整语义关系的问答知识对,有效提高了系统的知识自学习水平。(本文来源于《哈尔滨工业大学》期刊2017-07-01）
陈静[4]（2017）在《交互式问答中的语句关系识别方法》一文中研究指出随着互联网技术的发展和信息量的迅速增长,人们迫切需要一种准确、高效的信息获取方式。从搜索引擎到智能交互式问答系统,信息的获取方式越来越接近于自然交互。一方面因为海量数据的出现,另一方面因为机器学习和自然语言处理等技术的长足进步,问答系统进入了面向各领域、基于自由文本和异构信息、基于生成式的智能交互式问答发展阶段。与搜索引擎不同的是,用户无需在多条候选文档中选择,问答系统能更好的理解以自然语言形式描述的问题,同时返回简洁精确的答案。随着Siri和Watson的成功问世,智能交互式问答系统成为了近年来的一个研究热点,在商业领域也越来越具有代替人工客服的潜力。然而,要构建更加智能的交互式问答系统,从已有的客服日志中学习知识就显得非常重要,而如何从复杂的交互式问答客服日志中识别问句与答句之间的匹配关系以及连续语句之间的补充关系则成为了构建学习系统的关键。本文主要针对交互式问答中的语句匹配关系识别和补充关系识别进行了研究。针对客户问句与客服回答之间的匹配问题,本文分别构建了基于CNN的语义匹配模型和基于RNN的生成模型,模型的输入层是句子的词向量矩阵,输出层是问答匹配的置信度。分别在Semeval-2016社区问答数据和在线客服对话数据上,进行了不同模型的性能对比。同时对问句的完整性、生成模型的不同结构、阈值选择以及客服数据的抽取方式等进行了对比实验分析。实验结果表明,在社区问答数据中,本文中基于CNN的匹配模型优于RNN生成模型;在客服对话数据中,基于RNN的序列学习模型能够更好的学习到场景对话中的上下文信息。在基于每轮对话且问句完整的数据上,MAP达到了84.41%。针对交互式问答中连续语句之间存在的上下文相关联的潜在语义补充关系,本文研究了句子补充关系的识别。在深度模型上,构建了并行CNN和串联LSTM对句子对进行抽象语义特征提取和建模。分别采用支持向量机、基于CNN的模型和基于RNN的模型,对句子对的补充关系进行分类。实验结果表明,基于CNN的识别方法优于其他对比方法,其F1值达到了67.8%。最终,将补充关系识别和匹配关系识别相结合应用于交互式问答语义匹配。(本文来源于《哈尔滨工业大学》期刊2017-06-01）
徐小涛[5]（2016）在《高职生理学同辈交互式问答学习模式初探》一文中研究指出对于高职生理学教学,激发学生学习兴趣是突破传统教学法死板低效的重要手段。抽取高职护理专业80名学生,对交互式问答学习模式进行了探索,收集学生的问答材料,并设计Likert量表进行问卷调查,运用SPSS软件进行数据分析,发现这种互动式学习模式能显着提高学生的学习兴趣,显着提高他们分析推理和交流合作的能力,是一种有效的学习方法。(本文来源于《现代职业教育》期刊2016年30期）
李映,孔芳[6]（2016）在《基于中心理论和话语结构的交互式问答文本指代消解》一文中研究指出与传统新闻文本相比,交互式问答中蕴含着更为丰富的语言现象。在传统的针对新闻文本的指代消解方案的基础上,融入了交互式问答特有的特征集,给出了一个适于交互式问答文本的指代消解方案。具体而言,基于浅层语义角色分析的结果进行话语结构的识别,根据识别出的话语结构进行话语中心及中心跳转的识别。将获取到的话语中心及跳转信息组织成交互式文本特有的特征集,使用交互式问答领域广泛使用的TREC2004和TREC2007的评测语料进行指代消解的实验,结果表明给出的方案能大大提高交互式问答文本中指代消解的性能,系统F值提高了3.2%。(本文来源于《中文信息学报》期刊2016年04期）
郑文[7]（2014）在《面向交互式问答的人物事件关系抽取方法研究》一文中研究指出近年来,由互联网所产生的数据极具膨胀,在如此巨大规模的数据中,准确地获得想要的信息,成为人们日益追求的目标。如何能准确、智能地返回给用户,成为近年来研究比较广泛的一个研究点,问答系统能够以一定程度上的智能满足这一需求。传统的问答系统,是以问答对的形式将问题和答案组织成知识库,使用倒排索引等检索技术进行问句答案的查询。这种方式所检索的准确率较低,此外知识库问答对的来源成为此类问答系统最大的瓶颈。因此基于实体属性知识库的问答系统成为比较流行的问答系统的构建方式,这种方式特别适合用于人物关系领域。对于人物关系大多是在文本维度上的关系,对于人物相关事件的研究也相对较少。针对这一现象,本文提出一种针对人物相关事件和人物之间关系的抽取方法,从事件的粒度上进行人物关系的抽取。本论文的研究内容主要有以下四个方面,描述人物关系的事件词的抽取、基于弱监督学习的人物关系抽取、基于半监督学习的人物关系抽取、面向人物事件关系的问答系统的构建。首先面向小规模数据,分析语料的特点,构建初始启发式规则进行人物事件关系的抽取,并以此构建出人物关系类别体系。利用该类别体系对样本进行启发式标注,并以此来进行基于弱监督的人物关系抽取。基于弱监督的信息抽取存在训练集标注不准确的情况,继而提出基于半监督的人物关系抽取方法。半监督方法首先由人工标注一部分样本集,通过协同训练算法进行训练集的扩充,利用扩充的训练集进行模型的训练并抽取语料中的人物关系。通过这样的方法,能够一定程度上解决人物关系抽取任务在大规模语料中缺乏训练样本这一现状。最后将从大规模语料中抽取的内容构建知识库,并将其同问答系统相结合,构建一个面向人物事件关系的自动问答系统。本论文中实现了面向大规模异构信息的人物事件关系的抽取方法,以及将其同问答系统相结合的实现方案。实验结果表明,本论文中所提出的方法能够有效地从网页文本中抽取出人物事件关系,与其相结合的问答系统能够有效使用。(本文来源于《哈尔滨工业大学》期刊2014-12-01）
张超,孔芳,周国栋[8]（2014）在《交互式问答系统中待消解项的识别方法研究》一文中研究指出交互式问答系统能够与用户进行对话式交互进而处理用户提出的一系列问题。交互式问答技术是近些年来问答技术的一个热门方向。该文首次深入研究交互式问答中待消解项的识别方法。根据语料统计了交互式问答中待消解项的分布情况并进行相关实验,运用前人研究的启发式规则与平面特征相结合的方法在交互式问答中测试识别待消解项的性能。结合交互式问答的特点提出了专有名词的两个基于交互式问答特点的特征,并在TREC QA问题集语料中进行相关实验。实验结果表明,代词、有定名词用已有的方法识别效果较好,在加入本文提出的新特征后,在专有名词上也取得了较好的效果。(本文来源于《中文信息学报》期刊2014年04期）
张超[9]（2014）在《交互式问答中的指代消解研究》一文中研究指出交互式问答受到了越来越多的关注。但交互式问答中存在着各种各样的语言现象，这些现象使得计算机难以充分理解用户的提问，指代现象就是其一。近年来，国内外许多学者对指代消解进行了大量细致的研究。但大部分研究都针对新闻文本中的指代进行，本文以已有的针对新闻文本的指代消解方案为基础，结合交互式问答自身的特点提出了适用交互式问答的指代消解方案。本文主要工作及贡献包括：首先，标注了交互式问答的指代消解语料。借鉴新闻指代消解的成熟标注方案，我们选取交互式问答领域广泛使用的TREC2004至TREC2007的评测语料进行了指代信息的标注，并就指代现象比较了交互式问答与传统新闻文本的异同。其次，提出了适于交互式问答的待消解项识别方法。分析传统的针对新闻文本的待消解项识别方法应用于交互式问答的不足，提出了针对交互式问答的待消解项识别新特征，改善了交互式问答中待消解项识别的性能。再次，针对交互式问答提出了基于话语结构的指代消解方法。分析传统针对新闻文本的指代消解方法在交互式问答中的不足，以交互问答场景中的话语结构理论为基础引入了描述话语结构的特征集。实验结果表明，新引入的话语特征能改善指代消解的性能，系统的F值提高了2.6%。最后，提出了基于中心理论和话语结构的指代消解方法。以中心理论为基础，利用话语结构获取问句中的优选中心，再结合话语结构中的话语转换信息确定句子之间的跳转关系。在此基础上引入了中心理论和话题结构相关的新特征集。实验结果显示这一方法能大大提高交互式问答中指代消解的性能，F值提高了3.2%。(本文来源于《苏州大学》期刊2014-05-01）
张超,孔芳,周国栋[10]（2015）在《交互式问答中基于话语结构的指代消解研究》一文中研究指出交互式问答系统能够与用户进行对话式交互进而处理用户提出的一系列问题,但指代现象阻碍了系统准确地理解用户的问题。深入研究了交互式问答中的指代消解任务,在交互式问答文本语料中标注指代链信息和话语结构信息,并在基准平台的基础上提出了基于话语结构的特征集。实验研究了新闻文本上提出的基准特征集在交互式问答文本中的性能,并在此基础上引入话语结构特征。实验结果表明,与基准系统相比,改进系统的F值提高了2.6%,指代消解平台的性能有较大的提升。(本文来源于《计算机工程与应用》期刊2015年19期）
交互式问答论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
交互式问答技术为快速便捷地从互联网中获取有用信息提供了技术支持,成为了通信领域的热点研究技术。本文通过对交互式问答技术进行定量统计分析,为研究交互式问答技术提供参考。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
交互式问答论文参考文献
[1].周小强,王晓龙,陈清财.交互式问答的关系结构体系及标注[J].中文信息学报.2018
[2].何花,任洪潮.交互式问答专利技术综述[J].中国新通信.2018
[3].周小强.基于深度学习的交互式问答技术研究[D].哈尔滨工业大学.2017
[4].陈静.交互式问答中的语句关系识别方法[D].哈尔滨工业大学.2017
[5].徐小涛.高职生理学同辈交互式问答学习模式初探[J].现代职业教育.2016
[6].李映,孔芳.基于中心理论和话语结构的交互式问答文本指代消解[J].中文信息学报.2016
[7].郑文.面向交互式问答的人物事件关系抽取方法研究[D].哈尔滨工业大学.2014
[8].张超,孔芳,周国栋.交互式问答系统中待消解项的识别方法研究[J].中文信息学报.2014
[9].张超.交互式问答中的指代消解研究[D].苏州大学.2014
[10].张超,孔芳,周国栋.交互式问答中基于话语结构的指代消解研究[J].计算机工程与应用.2015