论文部分内容阅读
问题回答系统是近年来自然语言理解中的重要研究方向,也是自然语言理解的一种实际应用。本文在现有问题回答系统研究的基础上,以概念图为主要知识表示方式,从汉语自然语言理解方面,研究问题回答系统的结构、主要算法和执行效率。在问题回答系统的研究中,知识表示方式至关重要。为了增强语义表达能力和知识推理能力。本文采用概念图知识表示方法,将简单、直观、语义表达能力强的概念图知识表示和传统问答系统相结合,构建基于概念图的中文自然语言理解问答系统。本文在基于概念图知识表示的问答系统中,主要改进了问题理解、文本搜索和答案抽取三个模块的性能,设计了自然语言转化为概念图的NL-T-CG (Naturallanguage transform conceptual graphs)算法、概念图语义搜索算法和概念图聚类答案抽取算法。首先,在NL-T-CG算法中,利用隐马尔可夫分层的方式对语句实现分词处理,再进行词汇标注和语法分析,根据分析结果中词语的语义关系和语句关系,设计概念图生成算法。其次,在概念图语义搜索算法中,将经过输入检查的问题概念图,以概念图投影匹配的方式对问题和相关语料进行初步匹配。其后,再检查概念图的结构相似度和概念图的语境匹配契合度,并根据匹配后的候选答案集构建概念图语义搜索算法。最后,在概念图聚类答案抽取算法中,使用概念图聚类的方式自动识别答案类型。经过对匹配适应度的排序以确定答案抽取的结果,算法将智能算法和聚类算法相结合,改进概念图聚类的过程,设计概念图聚类答案抽取算法。在以上研究的基础上,本文实现了一个基于中文自然语言理解的问答系统,该系统能接收中文语句的查询,经过问题理解、文档搜索和答案抽取,最后输出简单直观的自然语句。经过对系统的调试、实验和测试,并同理论推理后的结果进行对比分析,本问答系统准确率达到51%,相比传统的问题回答其能力平均提高了6%。本系统已应用到Platform2.0云平台的项目研究中,并取得满意的效果。