基于本体的智能答疑系统的研究与实现

答疑系统是现代远程教育不可缺少的一个组成部分.针对目前答疑系统在知识共享和问题求解精确性方面的不足,提出了一种基于本体的智能答疑系统模型.该模型对于学生输入的问句,利用浅层语义分析技术,首先生成问句向量,再利用SPARQL查询语言,在本体库中查找答案.分析与研究了该系统所涉及的关键技术,以计算机应用基础课程为例,构建课...     

基于本体的智能答疑系统的研究与实现

自动答疑是现代远程教学系统中一个重要组成部分,然而目前的自动答疑系统大多以关键词匹配为基础,忽视了关键粤本身所含的语义信息、查询效率和结果不能满足用户的需要。提出了一个基于本体的智能答疑系统,利用本体中概念规范、语义关系明确的特点,将用户的问题查询请求进行语义上的扩展,增加了对语义信息的理解,有效地提高了查询的准确性。     

电子商务智能推荐系统中基于领域本体的案例检索算法

针对传统电子商务推荐算法的不足,提出了综合语义相似度的案例检索算法。算法通过加权平均商品的概念语义相似度、基于类型的属性语义相似度和基于数据类型的属性值相似度,来计算案例的综合相似度,避免了传统推荐算法中计算相似度仅靠属性值,没考虑语义和属性类型的影响造成的效率低、精度差等问题。设计了领域本体协同案例推理的电子商务智能推荐系统架构,通过在领域本体中抽取语义要素对案例进行表示,拓宽了案例求解空间,达到了协助用户检索及完成商品推荐的任务。经实例对比分析该算法有效且精度较高。     

基于本体的个性化智能答疑系统的设计

针对目前智能答疑系统存在着没有充分考虑学生个体差异性的现象,本文提出了一个基于本体的个性化智能答疑系统,利用本体构建专业领域知识库,使系统实现在语义层次上检索学生的提问,系统同时通过网络教学系统获取学生的学习行为特征,并以此为条件过滤系统检索的结果,以向学生提供适合其学习的答案集。经实验表明,本系统能提供较强的个性化智能答疑服务。     

基于领域本体的语义合成研究

为了在检索过程中全面挖掘用户查询信息,文中提出了一种基于领域本体的语义合成技术,该方法以文本为数据源,引用数据源和领域本体之间的映射关系来表达数据文本的语义.文章提出了一个语义合成模型,该模型由领域本体、关键词语义抽取、概念语义相似度计算及语义推理等相关技术模型组成.文中对该模型进行了实验验证,通过对实验结果进行分析推理可知,文中提出的基于领域本体的语义合成模型提高了检索系统的查准率和计算机处理信息的能力,从而也提高了用户的满意度.     

基于FAQ的智能答疑系统中分词模块的设计

在基于FAQ的智能答疑系统中,分词处理是基础和关键。分词质量的好坏直接影响智能答疑系统的准确性。针对实际应用领域的需要,本系统分词模块采取普通词典和专业词典混合的词典设计方案,分词算法采用正向最大匹配的分词算法。为了提高词典的查找速度,分词词典采用Hash表和二维数组的数据结构,根据汉字的内码利用Hash方法,求得在内存的地址,然后计算其索引项的二维数组的下标,对于词典的搜索采用二分查找法。实验结果表明：该分词系统提高了智能答疑系统的效率和准确率。     

基于领域本体的语义查询扩展

在信息检索研究领域,资源与查询词的匹配决定信息检索质量。现有检索方法的检索结果存在过多不相关信息,不能很好满足用户需求。针对传统信息检索存在的问题与当前语义查询扩展方法的特点,本文在分析各种语义查询扩展方法及其相关研究的基础上,提出一种改进的基于领域本体的语义查询扩展方法。该方法论通过本体模型和概念相似度的计算对检索信息进行检索意图树的构建并扩展;然后在资源本体中以最短路径的方式搜索资源。实验结果表明,本文方法相较其他查询扩展方法能得到更好的检索结果。     

一种基于加权领域本体的语义检索方法

提出了新方法WOSR,以对已经被本体概念标注的领域信息资源进行语义检索.WOSR方法首先建立领域本体,再采用均等概率分布方法为概念赋权,然后通过概念的权重求出概念相似度,最后计算用户检索请求和信息资源之间的语义相似度,并根据相似度的大小排序输出检索结果.实验结果表明,WOSR方法比其他经典方法的检索效果更好.     

基于Ontology的多Agent智能答疑系统模型研究

针对目前智能答疑系统在知识共享、知识重用以及问题求解查全率和查准率方面的不足,提出了基于Ontology的多Agent智能答疑系统模型。该模型首先需要建立基于Ontology的问题解答知识库,然后对用户输入的问题进行关键词拆分、本体交互和语义扩展等,并在问题解答库中进行查询,得到合适的问题答案。与同类答疑系统比较,在知识共享、知识重用以及问题答案的精确定位与表达有了较为明显的改进。     

基于多领域本体的智能查询系统模型

提出了一种基于多领域本体的智能查询系统的形式化模型,并且对系统及其特点进行了详细分析。该模型引入本体层来对知识库系统中的语义和信息内容进行描述,充分体现了用户查询中的语义信息,既方便用户进行查询,又增加了查询结果的相关性。同时,系统能够及时反映知识库的动态变化,简化了单一的全局本体所导致的一致性及效率问题。     

基于深度学习的智能问答系统综述

在科技发达和信息爆炸的时代,如何从海量数据中准确地提取所需信息已成为人们研究的目标.问答系统作为解决此问题的重要途径之一,其主要通过对已有数据信息进行检索和分析,并最终返回问题答案或其他相关信息.近年来,深度学习的革命性发展给问答系统带来了长足的进步,序列到序列的模型,端到端的模型以及最近流行的预训练,都给问答系统留下无限的发展空间,但其仍面临许多挑战.本文首先对问答系统的发展进行简要介绍,接着将问答系统按照3个不同角度进行分类,并对相关数据集、评测指标和各类问答系统的主流技术进行阐述,最后对问答系统面临的问题和未来的发展趋势进行讨论.     

智能答疑系统中基于聚类的问题分类研究

研究了智能答疑系统中的问题分类。针对基于章节目录的分类方式过于依赖特定教材的不足,提出了基于关键词聚类的问题模糊分类方法。此方法基于关键词的语义,采用NERF算法对关键词进行聚类。并利用聚类有效性的方法来弥补此算法过于依赖初始值的不足。最后通过实例进行分析,说明此分类方法的可行性和对基于章节目录的分类方式不足的弥补。     

基于网络的中文问答系统的研究

文章设计并实现了一个基于网络的中文问答系统。该系统只利用网络搜索引擎返回结果中的摘要部分作为答案抽取的资源,从而节省了下载、分析网络源文本的时间,提出了一种针对该系统的信息抽取算法,并采用一种基于语句相似度计算的答案抽取算法并且进行了改进。实验结果表明该系统对人名及时间类型的问题效果显著。对测试问题集的MRR值达到0.47。     

基于潜在语义分析的智能答疑系统研究与实现

文中研究的是基于常问问题库（FAQ库）的智能答疑系统。FAQ库是很多智能答疑系统中的一个重要组成部分,它把用户常问的问题和相关答案保存起来,对于用户输入的问题,可以首先在FAQ库中查找答案。如果能够找到相似的问题,就可以直接将问题所对应的答案返回给用户。为解决智能答疑系统因词的同义或多义现象而导致的“漏答”或“错答”,采用一种基于加权潜在语义分析模型的相似度计算方法。针对特定教育领域的智能答疑系统．改进了反映词与词之间相关性的权值计算。通过对特定课程中常问问题的实验,结果显示明显优于向量空间模型。     

基于网络的智能答疑系统的研究

基于常见问题答案库的答疑系统的基本设计方案是以固定问题答案对作为答案材料,该方案所提供的用户服务有限,限制了系统的答疑能力。本系统采用的基于网络的智能答疑系统是把蕴涵丰富学科知识的学科文档库作为部分知识库,与常见问题答案库相结合,采用布尔模型和向量空间模型相结合的检索模型实现在文档库中自动检索答案的策略。该系统里的知识得到了丰富,解答问题的面也扩大了,增强了系统的答疑能力和实用性。     

一种实用智能答疑系统的设计与实现

根据远程学习方式的特点,在兼顾智能化程度与开发成本间的平衡的基础上,提出了一个基于自然语言提问的实用的智能答疑系统实现方案,并分析和研究了其中涉及的关键技术:根据专业词库和常用词库进行自动分词;设计关系词典开展语义分析;采用改进的TF-IDF函数;结合空间向量模型和布尔模型的搜索技术;采用数据挖掘等.     

网络教学平台下智能答疑系统的研究与设计

智能答疑系统是基于网络教学领域的自动问答系统,该系统服务于用户远程学习中的疑难问题解答,可有效提高网络教学的质量。     

基于汉语框架网的旅游信息问答系统设计

该文借助汉语框架网(Chinese FrameNet,简称CFN)在语义表达方面的独特优势,探讨用本体描述语言建立面向特定领域的汉语框架语义知识库,并且以旅游交通领域中问答系统设计为例分析方法的有效性。方法中首先利用TREC分类与本体分类相结合的方式为查询问句分类,然后提出基于CFN的问句分析策略,通过CFN语义分析得到问句中三元组语义谓词、语义主体和语义客体,在问句分析的基础上从旅游本体知识库中对答案进行抽取并对答案处理,同时用本体编辑工具Protégé编码,实验证实方法是有效的。     

基于网络的中文问答系统及信息抽取算法研究

问答系统(Question Answering System)能用准确、简洁的答案回答用户用自然语言提出的问题。目前多数问答系统利用大规模文本作为抽取答案的知识库,而网络上丰富的资源为问答系统提供了另外一种良好的知识来源,对于回答简短、基于事实的问题非常有效。本文对基于网络的问答系统研究现状作了简要的介绍,分析了网络信息的特点。我们提出了一种基于语句相似度计算的答案抽取方法,在此基础上实现了一个基于网络的中文问答系统。该系统只利用网络搜索引擎返回结果中的摘要部分作为答案抽取的资源,从而节省了下载、分析网络源文本的时间。实验结果表明该系统对人名、数量及时间类型的问题效果显著,对测试问题集的MRR值达到0.51。