融合深度学习和知识图谱的类型可控问句生成模型构建及验证

摘要：

[目的]自动生成问句,减轻人工提问(或出题)的工作量,消除合作出题带来的问句难度不可控和维度不全面的问题,鼓励学习者利用智能问句进行深度阅读理解.[方法]基于Transformer的知识图谱的问句生成模型,自动生成类型可控的问句.将知识图谱输入类型可控问句生成(TCQG)模型的Graph Transformer模块中进行图表示学习获得子图向量,然后基于相似度获取每个子图对应的匹配外部问句,再将4MAT问题类型参数和匹配外部问句输入到BiLSTM网络中进行特征学习得到外部增强向量,最后将子图向量和外部增强向量输入到TCQG模型的指针生成网络中实现问句生成.[结果]TCQG模型通过Graph Transformer能更好地对知识图谱进行表示学习,在一跳三元组数据集评测中BLEU值为39.62,在是何问句的评测中BLEU值为38.63,均高于基线模型.[局限]受问题类型的限制,并不能穷举出人类语言中的所有问句类型;此外,并未涉及问句所匹配的应答,因此在现实应用场景中,仍有一定限制.[结论]本研究对生成教学场景中所需的类型多样、语义知识丰富和语言表达自然的问句具有促进作用.

关键词：深度学习、知识图谱、类型可控、智能问句生成

所属期刊栏目：7

分类号：TP391;G350(计算技术、计算机技术)

在线出版日期：2023-09-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：26-37