基于数据挖掘的智能答疑系统

根据当今答疑系统的缺点,提出了一套基于数据挖掘算法的答疑设计方案,将改进的关联规则算法应用于文本聚类中,可以将数据库中问题更加准确地分类,因此可以将用户提出的问题快速定位,提高答疑速率.将聚类后的问题库应用关联规则,可以得到更加准确的关联表,用于提取论坛数据库中的最优答案,进而形成一个快速且准确的自动答疑系统.实验结果表明该方案具有智能性、自我更新性能、节约存储空间和提高答疑效率等优点.     

基于问题模式匹配的智能答疑系统原型

智能答疑系统是将学生的问题和老师的解答有机地组织起来并存放至相应的答题库中，通过自然语言的语义理解技术来分析并自动的匹配学生所提出的问题，自动地给予问题解答的系统. 智能答疑系统能够给予提问者即时的回应，减轻教学人员的工作压力，在远程教学中具有重要意义.红棉智能答疑系统（原型系统）针对国内现有的智能答疑系统普遍存在的问题，借鉴了国外先进智能答疑系统的成功经验与设计理念，根据中文智能答疑的特殊需求，引入了基于概率的双向最大匹配分词算法、智能问题模式匹配、基于语义依存树的语义分析等技术进行智能问题分析，形成了具有更高答案召回率、合理性与正确性的新一代智能答疑系统.     

蚁群聚类算法在智能答疑系统中的应用研究

研究了智能答疑系统中的问题分类.根据智能答疑系统的特点,将蚁群聚类算法引入智能答疑系统中,并对该算法在智能答疑系统中的应用进行了分析和测试.该算法能有效的对智能答疑系统范例库中的问题进行聚类,进一步提高了答疑系统检索的效率和智能性.     

基于Ontology的自然语言智能检索技术研究

本文针对信息检索中的重要问题,即自然语言的智能检索技术进行了研究。应用Ontology的理论方法对文本分类进行概念控制,将信息检索从基于关键词提高到基于知识（概念）,从概念层认识和处理用户的检索请求,有效的提高了检索系统的检全率和检准率,在自然语言语义查询、多媒体信息检索中得到较好的实践效果。     

一种全文索引自动答疑系统的设计与实现

提出一种基于自然语言提问的自动答疑系统的设计思想,引入Lucene的全文检索模型.采用浏览器/服务器模式,设计并实现基于Lucene的自动答疑系统,通过对提问信息进一步的加工和提取,可实现浏览、搜索、提问等功能.该系统能够胜任一定领域内的,基于自然语言的自动答疑需求,并充分考虑了系统的开放性和可维护性的要求.然而,知识库还不具备自动学习功能,且对用户问题只进行简单的关键词拆分,没有进行语义分析,这使得系统还不具有完全的智能化特性.     

中文智能答疑系统相关技术的研究与实现

针对目前答疑系统的现状和不足,提出了一套基于数据挖掘算法的答疑设计方案,将改进的关联规则算法应用于文本聚类中,结合J2EE技术在系统开发上的优势,应用JSP、Servlets、EJB以及JDBC等技术形成一个快速准确的智能答疑系统。     

“冲压模具设计”精品课智能答疑系统设计

本文针对《冲压模具设计》精品课程,利用当前比较先进的全文检索技术、数据挖掘技术、自然语言分析技术等,对智能答疑系统进行了设计,给出了实现方法。     

模糊贴近度在智能答疑系统中的应用

智能答疑是现代远程教育中一个重要组成部分,但目前网络答疑系统反馈答案的查出率和准确率较低.文章在分析用户问题与标准问题语句的模糊贴近度的基础上,提出了基于阈值的模糊贴近度算法.通过对系统运行情况的分析,证实了该算法能有效地提高答疑系统的智能处理能力.     

基于本体的自然语言信息抽取在软件测试中的应用

现在银行等行业的大型软件拥有非常复杂的结构,并和其他系统有数据交换,这使得需要耗费大量的业务人员做客户端测试工作,业务人员习惯于自然语言描述问题,使得处理分类和抽取这些信息变得困难．本文提出基于语义和本体的自然语言抽取方法,提出软件测试领域规则,并将其组织成数据库、测试数据来自于笔者参与的某银行项目．     

基于深度文本摘要的开源软件缺陷挖掘研究

软件缺陷（Software Defeat/Bug）对于用户体验影响巨大，针对软件缺陷的快速定位与修复是软件工程领域一项重要研究内容。开源软件构建过程中会产生大量软件相关文本，为结合自然语言处理技术进行软件缺陷定位提供了可能。相关研究主要结合信息抽取工具对软件相关文本进行挖掘，对于文本相关的语义信息考虑较少。文章将预训练语言模型引入软件缺陷报告挖掘研究中以增强软件相关文本的语义理解，在分析开源软件文本特点基础上，提出一种基于预训练自然语言模型的深度文本摘要模型。在Summary DataSet(SDS)、Authorship DataSet(ADS)数据集上进行实验，结果表明本文提出的模型可达到约72%(ADS)准确率，与文本摘要常用基线模型相比有10%以上提升。     

发展中的搜索引擎模式(二)

Ask Jeeves(http://www.ask.com) 基于自然语言智能答询系统的搜索引擎模式 与传统的目录查询、关键词查询模式相比,自然语言查询的优势体现在：一是使网络交流更加人性化;二是使信息查询变得更加方便、快速和准确。现在,已经有越来越多的搜索引擎宣布支持自然语言搜索特性,但是要建立真正的基于自然语言理解的智能答询系统,还存在很多的技术难点,如：如何理解自然语言及所代表的实际含义;如何根据问题找出用户实际想要的答案;如何建立大规模的知识库等。Ask Jeeves是第一个实现了智能答询系统的搜索引擎。用户只需输入简单的疑问…     

主观信任云在文本分类中的应用研究

自然语言的不确定性是影响文本分类性能的最重要因素。从降低自然语言中的不确定性出发,将主观信任云引入到文本分类中,提出了一种基于主观信任云信任决策的文本分类方法。该方法通过基于云的概念跃升计算出文本类别概念特征,采用主观信任特征向量作为待分类文本与类别概念之间的相似度判断标准完成分类。该方法有效减少了自然语言的不确定性影响,在不同文本分类方法的实验对比分析中,充分体现了其优异的分类性能。     

基于自然语言表达的目标检测算法

为帮助机器人根据自然语言表达定位环境中的物品,提出一种快速、端对端的基于自然语言表达的目标检测算法:同时训练一个卷积神经网络与一个循环神经网络来学习视觉与文本信息.循环神经网络用于将自然语言编码为向量,卷积神经网络用于获取图片中的区域特征信息.对比图片中的区域特征与自然语言特征,相似度高的即为目标区域.在开源数据库UNC-Ref与G-Ref中训练并测试了该模型,证明了该模型的快速性与准确性.     

网络课程的智能答疑系统设计

阐述了答疑系统在网络教学中的重要性。利用当前比较先进的自然语言分析技术、全文检索技术、数据挖掘技术等,设计了比较全面的网络课程的智能答疑系统。     

基于PSO优化孪生支持向量机的自然语言处理

为了进一步提高孪生支持向量机(Twin support vector machine, TWSVM)的自然语言文本分类准确度，提出了一种改进的粒子群优化(Particle swarm optimization, PSO)算法，并采用改进的PSO算法对TWSVM核心参数进行优化。根据迭代次数来选择自适应权重从而对传统PSO算法进行改进，以防止收敛速度过快而错过全局最优解。采用Word2Vec对自然语言样本进行向量化处理，并通过PSO算法对TWSVM惩罚因子进行优化求解，解决因为惩罚因子设置不合理而造成自然语言文本分类准确率不高的问题。试验证明，通过合理设置PSO算法的速度权重初始值和稳定值，结合自适应递减权重策略，能够获得较高的惩罚因子优化性能，从而提高TWSVM的分类准确率，相比于常见自然语言文本分类算法，PSO-TWSVM的分类准确率更高，均方根误差值更低，在自然语言文本分类中的适用度高。     

基于知识网格的智能答疑系统模型研究与设计

针对目前国内中文答疑系统答疑资源库仅局限于本地知识库的现状及答疑系统中的知识资源不足的问题,提出基于知识网格(Knowleclge Grid)的智能答疑系统模型,将答疑系统的答疑资源库拓展到互联网上,通过基于知识网格的数据挖掘技术充分挖掘Internet信息资源来完成答疑任务并补充和完善本地知识资源,解决答疑资源不足问题.     

一个基于金融混合数据的智能问答模型

智能问答系统（Question Answering System,QAS）是一种让人类通过自然语言与机器进行问答来获取信息的人机交互系统,是自然语言处理的一个集综合性与广泛性于一体的应用．现有的智能问答系统模型研究主要考虑单一型数据．然而,现实生活中结合表格和文本的混合型数据十分普遍,如金融领域的财务报表．本文对已有的财务报表智能问答模型进行改进并提出了一个新模型,该模型有更好的效果．     

自然语言开发环境的设计与实现(英文)

平文介绍了一个基于演译数据库(由PROLOG与INGRES组成的DDBMS)的自然语言开发环境(NLDE)。用户采用中间转换文法(ITG)就可将用户的需要描述成自然语言形式。DDBMS能从PROLOG数据库中存储的规则与INGRES数据库中存储的元组,为用户推理得出回答。例如,本文介绍了一个航空咨询系统(AAS)。它可用干查询航班、订票及其他一些服务。特别是:AAS还能帮助用户解决一些推理性的复杂问题。本文中的NDLE及AAS是在DUAL68000微机上实现的。籍助NDLE,用户可在他们感兴趣的别的领域,方便而容易地开发一个用自然语言处理的系统。     

利用深度去噪自编码器深度学习的指令意图理解方法

提出了一种利用深度去噪自编码器(SDAE)的自然语言指令意图理解方法.根据家庭服务机器人的使用环境和应用场景构建了一个自然语言文本指令语料库,并对语料库中各类指令进行意图标注,从而把文本指令理解问题转化为文本分类问题;在传统的文本向量空间模型的基础上,融合了文本指令的词性信息,定义了一种文本表示模型——词性向量空间模型;将SDAE应用于文本指令意图理解,提取指令的高阶特征;用高斯核支持向量机进行训练和预测,进而实现了自然语言指令的意图理解.在所建语料库上进行多折交叉验证,结果表明指令意图理解平均准确率达到96%以上.     

一种基于词嵌入模型和卷积神经网络的简化文本分类方法

自然语言处理（Natural Language Processing,NLP）可分为自然语言理解（Natural Language Understanding,NLU）和自然语言生成（Natural Language Generation,NLG）两大类子任务。预训练语言模型和神经语言模型在自然语言理解的整个流程中占据重要地位。本文梳理了文本预训练语言模型的发展流程,并分析当下主流的预训练语言模型以及深度学习模型的不足,基于经典预训练语言模型（Word2Vec）和卷积神经网络分类模型（CNN）,提出一种简化的文本分类模型（Simplified CNN）,在多个情感分析（Sentiment Analysis,SA）基准数据集上进行实验测试,实验结果表明,在文本分类任务上,简单网络可以得到与复杂网络相媲美的分类效果并且运行时间优于复杂网络,与传统的分类模型相比较,在分类效果上表现出了优势。