政策文本的知识建模与关联问答研究

摘要：

[目的]实现一种以认知层语义知识理解为主导的关联政策智能问答方法,提升政府的社会综合服务效率与能力.[方法]基于政策文本内涵建立知识模型表达政策知识;引入疑问词注意力机制,结合改进的ERNIE+CNN模型完成政策问题分类;利用融合句法分析的语义角色标注IDCNN+CRF模型与认知计算方法进行问题语义、语用层面知识获取;在知识融合与语义检索的基础上,利用知识聚合技术实现关联答案的生成,并采用BERT语义相似度计算与知识单元计量方法对答案进行双重质量评价.[结果]问题分类准确率达到90.76％,分别高出原始BERT、ERNIE模型18.81、5.05个百分点;问题知识获取精确率达到95.88％,答案质量检验的正确率达到93.75％,答案的语义相似度结果为0.88,知识一致性结果为0.96.[局限]问题知识获取方法性能受限于领域知识体系完整性,关联答案效果取决于政策知识抽取的准确性.[结论]在对政策文本内容解构并进行知识表示的基础上,所提方法可以综合不同政策内容的问题答案,并具有较好的知识检验结果.

关键词：智能问答、文本挖掘、电子政务、政策知识建模、知识图谱、知识聚合

所属期刊栏目：6

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-03-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：79-92