随着网络技术的迅速发展,互联网已经成为全球最大、最广泛使用的信息库,成为人们进行信息交流和处理的最有效平台。互联网上的数据是海量的,而且本身还以每天极高的速度增长,如何有效处理和使用这些数据成为目前热点的课题之一。 对于如何利用互联网海量的数据,目前主要有两个研究方向,即信息检索和问答系统。在信息检索领域,搜索引擎很好的整合了互联网上的数据,满足了人们日常搜寻信息的需要。在问答系统领域,大多使用语义相似度的方法来提取问题对应的答案,目前仍停留在研究阶段。 本文利用监督学习的方法,对互联网上存在海量信息中的问题和答案的相关知识进行提取,并且与现有的一些方法进行对比和分析。本文研究工作的主要内容如下： 1.研究如何从文档中提取问题。针对问题和具体的问句的定义,本文提出了使用多种问题的特征,利用监督学习的方法结合支持向量机,对文档中存在的问题进行提取的方法。 2.研究如何通过特定问题来提取对应的答案。现有的方法主要是基于一些简单而且非智能的模式,通过分析它们的不足,针对答案的定义,本文提出了使用文本特征、非文本特征和相似度等多种特征,利用监督学习的方法结合支持向量机,对特定问题的答案进行提取的方法。 3.研究如何直接从文档中提取问题和答案。通过分析问题和答案之间的关系,本文提出了使用文档之间的关系(各种相似度)作为特征,利用监督学习的方法结合支持向量机,同时从文档中提取问题和答案的方法。 最后,通过一系列的对比实验,验证了本文的研究方法在所涉及的研究领域内准确性有明显的提高。另外,本文还利用标准数据集,搭建了简单的示例检索系统来展示本文所提出的内容和方法的可用性和实际的运行效果。