面向高考志愿的问答技术研究

发布时间：2024-03-09 09:35

　　高考作为步入高等教育的最后一道关口,是进行人生规划的重要转折,因此高考志愿的选取至关重要。在考生填报高考志愿前,应该对各个学校及专业等信息有一定的了解,避免盲目选择,给未来大学学习和生活带来困扰。在信息爆炸性增长的今天,如何快速、准确地在海量信息中获取有用的学校、专业等信息逐渐演变成一个更加重要的课题。近年来,人工智能飞速发展,取得了突破性的成就,愈加引起了人们的关注与重视。人工智能的一个重要分支是问答系统。问答系统集自然语言处理技术于一体,是一种更人性、更高效的信息检索技术,具有很大的发展空间。本文是面向高考志愿的问答技术研究,由于较少人在该领域做问答技术相关研究,所以本论文的研究对以后该领域问答系统构建有一定的现实价值及意义。本文是基于信息检索的面向高考志愿的问答系统技术研究,主要针对问题分析和答案抽取两个部分内容进行研究。论文首先通过爬虫技术从各大高考网络平台、高考应用APP平台和百度知道等收集高考志愿相关问答对数据,并利用MySQL数据库进行数据储存。其次,针对爬虫获得的问答对数据集进行预处理、人工分类,为之后的问答技术研究实验所需数据做准备。本文研究时,主要应用了深度学习以及...

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

图2.2Word2Vec神经网络架构

图2.2Word2Vec神经网络架构设输入语料为C,词向量为m，从中逐个遍历每个词w，设n为的上下文长度，则Contex（t）就取前面的n1个词，这样一个二元对（Contex（t），）就构成了一个训练样本。语料，给定词向量为m，则输出层有....

图2.5CNN模型结构图

Skip-Gram的目标函数如下所示：(,)max(log(|ontext()))SkipGramwCwcDLpwCw(2-13)本文采用Word2Vec中的CBOW模型来训练词向量。二、CNN模型介绍卷积神经网络刚开始时就....

图2.6卷积神经网络基本流程图

面向高考志愿问题分类层处理后得到很多个一维向量。假设有m个filter，那么在一层卷积、一层池化后可以得到一个长度mzR:12[,,...,]mzccc全连接层:图2.5中最后部分为全连接层，全连接层通过使用Softma到各个分类的概率。....

图2.7Dropout工作示意图

面向高考志愿问题分类四、正则化方法Dropout方法[39]（Hinton，2012年）是一种防止神经网络模型出现过拟合的正则化技术。为了防止过拟合，训练过程中在倒数第二层使用dropout技术，它将随机丢弃隐含层的某些节点使其不工作。Dropout的工作原理，如图....

本文编号：3923228