基于卷积神经网络的多文本特征问答系统
基于文档的问答系统的研究目标是从给定的文档集合中筛选出某些文档作为用户问题的正确答案,其核心在于计算问题和答案这两个语句的相似度.在该文中,我们研究了各项文本结构特征和文本统计特征:Term Frequency-inverse Document Frequency(TF-IDF)和最长公共子序列(Longest Common Subsequence,LCS),同时我们设计了特定的卷积神经网络(Convolutional Neural Networks,CNN)结构并融合研究的特征,从而得到一种表达能力好的问答对的向量表示.我们提出的模型不依赖于任何外部的语言工具并且能够适用于多个领域和多种语言.实验结果表明,该卷积神经网络模型能够很好的表达文档之间的相似性,而且在加入TF-IDF和LCS特征之后该模型的性能进一步得到提升.我们利用这个模型在NLPCC-2017 Document-Based Question Answering(DBQA)比赛中Mean Average Precision(MAP)值能达到0.6809和Mean Reciprocal Rank(MRR)值达到0.6850.
问答系统、卷积神经网络、TF-IDF、LCS
14
TP311(计算技术、计算机技术)
该文中工作由上海市科委科研计划项目14511108002支持,感谢NLPCC-2017比赛提供的DBQA数据集
2018-04-10（万方平台首次上网日期，不代表论文的发表时间）
共3页
177-178,180
