周艳平,朱小虎

(青岛科技大学 信息科学技术学院,青岛 266061)

随着自然语言处理技术的快速发展,问答系统已经成为人工智能的前沿领域[1],例如小米公司的“小爱同学”、苹果公司的“Siri”,它们能够为用户提供良好的人机交互体验.相似度匹配[2]是问答系统抽取答案的重要途径之一,抽取答案的准确性决定了一个问答系统的质量[3].

Kumar 等[4]通过DMN (动态内存网络)构造了一个改进的问答系统,该系统主要用于处理输入序列并进行训练.Wang 等[5]提出了一种基于注意力机制的Bi-GRU-CapsNet 模型,该模型采用了一种新的“向量输入、输出”传递方案,其中神经元的输入和输出是向量.Santos 等[6]提出了一个具有特征权重的问题和答案的注意力集中双向注意力机制(Attentive pooling).Peters 等[7]提出了一种新的深层语境化单词表示方法ESIM + ELMo,其中词向量是学习深度双向语言模型(biLM)内部状态的函数.Zhou 等[8]提出了一种多视图响应选择模型(Multiview),该模型集成了来自两个不同视图(单词序列视图和话语序列视图)的信息.尽管上述方法注意力机制等方法提高了问答匹配的准确性,但包含语义层次信息的相似度匹配和中文分词错误仍然没有解决.

根据实验研究,本文针对问答系统中的上述问题提出一种基于正负样本和Bi-LSTM[9]的文本相似度匹配模型(PN-Bi-LSTM),该模型不仅解决了包含语义层次信息的相似度匹配和中文分词错误造成的问题,还提高了中文问答系统问答匹配的准确性.

1 模型框架

为了最大化问题与正确答案之间……