基于組合語義的基礎教育資源深層知識表示方法研究.pdf

1、以“地理”為代表的基礎教育資源蘊含了豐富的知識，在高考試題解答中的知識也常常是一種復雜的結構化的信息集合且關聯(lián)性強。因而，對試題研究采用何種高效的深層知識表示方法以及該知識表示與大型本體知識庫之間的關系，如何對問題進行深度語義信息抽取，最終實現(xiàn)對問題的理解，對進一步開發(fā)類人智能產(chǎn)品具有重要的意義。論文依托863項目“面向基礎教育的類人智能知識理解與推理關鍵技術”，對問題語義分析的核心任務深層知識表示方法進行了研究，主要工作如下：

2、　　1）設計了基于組合語義的DAG(Directed Acyclic Graph)深層知識表示方法。針對地理高考試題特點，設計了基于模板的試題預處理算法，定義了試題模板觸發(fā)詞，將試題中結構復雜的長句轉化為結構相對簡單的短句，并利用詞向量模型訓練并擴展了觸發(fā)詞列表。在此基礎上，將試題模板轉化為有向無環(huán)圖結構。根據(jù)組合語義，利用組合范疇語法將預處理后的試題短句轉化為有向無環(huán)圖，最后與模板的圖結構相結合，形成最終的有向無環(huán)圖DAG深層知識表示

3、。
　　2）設計了基于剪枝算法與啟發(fā)式搜索的組合范疇語法分析優(yōu)化方法，有效地提高了組合范疇語法的分析效率以及DAG深層知識表示的分析速度和準確性。在剪枝算法中論文使用的詞匯序列標注模型為最大熵模型，減小了詞匯范疇搜索范圍，實現(xiàn)了對CCG句法分析的加速。接著使用了啟發(fā)式搜索代替原有的CKY算法，提高了搜索效率。剪枝算法與啟發(fā)式搜索是彼此相互獨立、互不影響的，它們共同提高了組合范疇語法的分析效率以及準確性。
　　3）設計了基于D

4、AG深層知識表示的問題語義分析方法。將本體知識庫視為一個具有復雜網(wǎng)絡結構的圖，同時根據(jù)DAG深層知識表示方法，將知識拆解為節(jié)點及邊，插入到現(xiàn)有的基于圖的本體知識庫中，利用詞向量進行謂詞模糊匹配。同時，在輸入的問題是由不完全、或模糊的語句組成時，設計了問題近似子圖提取算法從多個DAG子圖中提取問題子圖，然后根據(jù)提取的DAG與問題的對比獲得具有匹配度排序的DAG集，從而實現(xiàn)對問題語義的理解。
　　論文提出的基于組合語義的DAG深層知識