CN111859909B - 一种语义场景一致性识别阅读机器人 - Google Patents

一种语义场景一致性识别阅读机器人 Download PDF

Info

Publication number
CN111859909B
CN111859909B CN202010662363.7A CN202010662363A CN111859909B CN 111859909 B CN111859909 B CN 111859909B CN 202010662363 A CN202010662363 A CN 202010662363A CN 111859909 B CN111859909 B CN 111859909B
Authority
CN
China
Prior art keywords
sentence
semantic
scene
semantic scene
scenes
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010662363.7A
Other languages
English (en)
Other versions
CN111859909A (zh
Inventor
郭少茹
李茹
关勇
谭红叶
段菲
张虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanxi University
Original Assignee
Shanxi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanxi University filed Critical Shanxi University
Priority to CN202010662363.7A priority Critical patent/CN111859909B/zh
Publication of CN111859909A publication Critical patent/CN111859909A/zh
Application granted granted Critical
Publication of CN111859909B publication Critical patent/CN111859909B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Machine Translation (AREA)

Abstract

本发明属于自然语言处理研究领域，具体涉及一种语义场景一致性识别阅读机器人。包括语义场景构建单元、语义场景层次化表示单元、语义场景关系交互单元和语义场景一致性识别单元；本发明能够应用于阅读机器人，通过自动分析、推理，自动识别句子间的语义场景关系。本发明的技术效果主要有两个，一是将句子的语义场景进行了层次化表示，清晰展示句子不同层次不同粒度的语义场景信息；二是将句对语义场景进行关系交互建模，从多层次多粒度刻画句对语义场景一致性关系。

Description

一种语义场景一致性识别阅读机器人
技术领域
本发明属于自然语言处理研究领域，具体涉及一种语义场景一致性识别阅读机器人。
背景技术
句对语义场景一致性识别作为一种基本的文本间语义关联分析任务，广泛存在于自然语言文本理解中。简单的来说，句对场景一致性描述的是两个文本之间的语义场景关系，具体地，模型以两个句子作为输入，并预测它们之间关系的类别。与该任务相关的技术可以有效应用于自然语言推理、文本蕴含识别、自动问答等任务。
早期，针对句对语义场景一致性识别任务，主要采用特征工程方法。此类方法采用人工分析总结数据的特征，制定相应的规则及模板的方式，对于需要预测类别的句对，通过与已有的规则进行匹配，进而得到句对语义一致性结果。该类方法实现简单但是领域自适应能力弱。
目前，针对句对语义场景一致性识别任务，主要采用基于深度学习方法来识别句对语义场景关系。此类方法通过对两个句子进行分布式表示，然后计算两个句子向量之间的相似度，根据相似度值来衡量两个句子间的语义相关性。然而，该方法将句子作为整体进行建模，忽略了句子不同层级不同粒度语义信息的相关性，无法刻画句子间细微的语义差别。
发明内容
本发明克服现有技术存在的不足，旨在提供一种智能推理方法应用到语义场景一致性识别阅读机器人中，实现多层级细粒度推理。
为了达到上述目的，本发明采用了下列技术方案：
一种语义场景一致性识别阅读机器人，包括语义场景构建单元、语义场景层次化表示单元、语义场景关系交互单元和语义场景一致性识别单元；
所述语义场景构建单元：对于给定的句对，将句子中的词与汉语框架语义资源网的词元库进行对比，找到相应的框架；在此基础上，根据汉语句子框架元素标注规范，标注句子隶属的框架，并标注框架包含的框架元素，其中框架为句子所属的语义场景，框架元素为句子语义场景的参与者，句子语义场景构建完毕后进入语义场景层次化表示单元；
所述语义场景层次化表示单元：对于完成语义场景构建的句子，首先为句子中每个字分配语义标签，将句子语义场景标签与原始句子中的词进行对齐；根据对齐信息，计算句子不同语义场景的覆盖度，即每个场景包含语义标签的词与句子原始词语的比例；将句子每个场景语义覆盖度进行排序；根据排序结果，划分句子语义场景层次，形成句子语义场景层次化表示，进入语义场景交互单元；
所述语义场景关系交互单元：在句子语义场景层次化表示基础上，利用注意力机制进行句间和句内语义场景关系交互建模，语义场景关系交互建模之后，进入语义场景一致性识别单元；
所述语义场景一致性识别单元：计算句对不同层级不同粒度语义场景之间相似性，若句对不同层级不同粒度语义场景均一致，则句对语义场景一致性关系识别为一致；若句对语义场景存在差异，则句对语义场景一致性关系识别为不一致。
进一步，所述注意力机制分为互注意力机制和自注意力机制；所述互注意力机制关注句间语义场景关系交互，将句对的语义场景层次化信息作为输入，堆叠执行多步交互操作来计算一个句子语义场景对另一个句子语义场景的重要程度，从而更好地刻画句对间场景交互关系；所述自注意力机制关注句子内语义场景关系交互，将单个句子的语义场景层次化信息作为输入，堆叠执行多步交互操作来计算句子内语义场景对整个句子语义的重要程度，从而更好地刻画句对间场景交互关系。
进一步，所述语义场景指的人类在理解语言时激活的大脑的已有的认知结构，包括激活场景的词语及组成场景的语义成分，如，“买”隶属于“商业购买”场景，“购买者”“商品”是“商业购买”场景的语义成分。汉语框架语义资源网定义了日常生活中常用的场景，因此，本发明基于汉语框架语义资源网来构建句子的语义场景。
进一步，所述语义场景层次化表示，是面向句子本身，即根据当前句子语义场景覆盖范围进行划分，相同的场景描述在不同句子中所属的层次结构有可能不同。
上述过程可简化为：首先利用汉语框架网语义资源对句子进行语义场景标注，并利用框架元素标注语义场景参与者，根据标注的语义场景信息，构建句子语义场景层次化表示形式；利用互注意力机制和自注意力机制分别对句间、句内多层级语义场景信息进行刻画，获得考虑句间及句内场景相互关联的句子表示；在此基础上，对融合了多层次多粒度信息的句子表示进行相似度计算，根据相似度值判断句对语义场景关系。
与现有技术相比本发明具有以下优点：
一、本发明从语义场景角度出发，从多层级多粒度自动识别句对语义场景一致性。
二、本发明可以根据语义场景标注结果，自动生成句子语义场景层次化表示形式。
三、本发明不需要人工构建语义一致性分析规则，利用汉语框架语义资源构建句子语义场景，利用注意力机制实现句间及句内多层级多粒度语义场景关系交互，在语义场景信息交互过程中判断两个句子隶属语义场景是否一致。该方法一方面避免了人工设计规则，耗时费力的缺点，又有效克服深度学习实现深层语义理解能力不足的缺点。本发明提出的方法充分利用了汉语框架语义资源，提出了一种从多层次多粒度对句对语义场景信息进行一致性自动识别的方法，将该方法与机器人结合，可以有效刻画句子间细微的语义差别，实现机器人自动判断句对语义一致性。
四、本发明的技术效果主要有两个，一是将句子的语义场景进行了层次化表示，清晰展示句子不同层次语义场景信息；二是将句对不同层级语义场景进行关系交互建模，多层次多粒度刻画句对间语义场景相关性。
五、本发明解决了自然语言处理中的句对语义一致性自动识别问题，对自然语言处理相关研究有启发效果。本发明方法思路结构清晰，效果明显，可扩展性强。
附图说明
图1是本发明语义场景一致性识别阅读机器人流程图；
图2是本发明机器人进行语义场景一致性识别方法具体流程图；
图3是本发明中语义场景层次表示的示例；
图4是本发明中语义场景一致性分析的示例。
具体实施方式
实施例1
如图1所示，本实施例一种语义场景一致性识别阅读机器人，包括语义场景构建单元、语义场景层次化表示单元、语义场景关系交互单元和语义场景一致性识别单元；
所述语义场景构建单元：对于给定的句对，将句子中的词与汉语框架语义资源网的词元库进行对比，找到相应的框架；在此基础上，根据汉语句子框架元素标注规范，标注句子隶属的框架，并标注框架包含的框架元素，其中框架为句子所属的语义场景，框架元素为句子语义场景的参与者，句子语义场景构建完毕后进入语义场景层次化表示单元；
所述语义场景层次化表示单元：对于完成语义场景构建的句子，首先为句子中每个字分配语义标签，将句子语义场景标签与原始句子中的词进行对齐；根据对齐信息，计算句子不同语义场景的覆盖度，即每个场景包含语义标签的词与句子原始词语的比例；将句子每个场景语义覆盖度进行排序；根据排序结果，划分句子语义场景层次，形成句子语义场景层次化表示，进入语义场景交互单元；
所述语义场景关系交互单元：在句子语义场景层次化表示基础上，利用注意力机制进行句间和句内语义场景关系交互建模，注意力机制分为互注意力机制和自注意力机制，互注意力机制关注句间语义场景关系交互，将句对的语义场景层次化信息作为输入，堆叠执行多步交互操作来计算一个句子语义场景对另一个句子语义场景的重要程度；自注意力机制关注句子内语义场景关系交互，将单个句子的语义场景层次化信息作为输入，堆叠执行多步交互操作来计算句子内语义场景对整个句子语义的重要程度，语义场景关系交互建模之后，进入语义场景一致性识别单元；
所述语义场景一致性识别单元：计算句对不同层级不同粒度语义场景之间相似性，若句对不同层级不同粒度语义场景均一致，则句对语义场景一致性关系识别为一致；若句对语义场景存在差异，则句对语义场景一致性关系识别为不一致。
实施例2
如图2所示，本发明机器人进行语义场景一致性识别方法，具体步骤如下：
101、获取句对，其中句对包括两个句子，以下是一个句对示例：
【句子1】：他去超市买了一袋咖啡。
【句子2】：他去超市买了一条裤子。
102、基于汉语框架语义资源网，根据句对包含的两个句子的目标词标注其所隶属的语义场景及场景参与者。
所述语义场景与语义场景参与者，可以通过汉语框架语义资源网中框架与框架元素进行描述。其中，框架是对理解语言时大脑激活的语义场景的描述，是理解词语与句子的背景和动因，用F表示；框架元素是语义场景的参与者，用FE表示；目标词是在句子中能激活框架的词，用T表示。此外，汉语框架语义资源网包括词元库，词元库按照其所隶属的框架进行分类，每个框架包含了能激起该框架的所有的词元，即同一框架下的词元属于相同的语义场景。
参照汉语句子框架元素标注规范，根据汉语框架语义资源网定义的标注说明对句子进行语义角色标注。具体地，将句子中的词依次与汉语框架语义资源库中的词元进行比对，如果句子中的词语与词元库中的词相同，该词元所属的框架即是当前句子所属的语义场景，框架所包含的框架元素也就是当前句子语义参与者，该词为目标词。
分别对句子1和句子2进行标注，其中Ti表示第i个目标词，Fi表示句子所属的第i个框架，FEij表示第i个框架的第j个框架元素。结果如下：
【句子1标注①】：<FE11:Theme他><T1:target＝去>[F1:位移]<FE12:Goal超市><FE13:Purpose买了一袋咖啡>。
【句子1标注②】：他去超市<T2:target＝买>[F2:商业购买]<FE21:Null了><FE22:Goods一袋咖啡>。
【句子1标注③】：他去超市买了<FE31:Descriptor一袋><T3:target＝咖啡>[F3:食物]。
【句子2标注①】：<FE41:Theme他><T4:target＝去>[F4:位移]<FE42:Goal超市><FE43:Purpose买了一条裤子>。
【句子2标注②】：他去超市<T5:target＝买>[F5:商业购买]<FE51:Null了><FE52:Goods一条裤子>。
【句子2标注③】：他去超市买了<FE61:Descriptor一条><T6:target＝裤子>[F6:服装]。
句子1“他去超市买了一袋咖啡”中有三个词“去”“买”“咖啡”分别与词元库中的词相匹配，分别属于框架“位移”“商业购买”“食物”，根据框架语义角色标注规范，分别对其进行标注，得到三组标注结果。其中，目标词“去”激起了“位移”框架，“位移”框架包括“Theme”“Goal”“Purpose”等框架元素，这些框架元素分别由“他”“超市”“买了一袋咖啡”进行填充。
103、将标注好的句子与原始句子进行对齐。
具体地，根据句子语义场景标注结果，为句子中每个字分配语义标签。句子1中每个语义场景进行语义标签对齐后结果如下：
【句子1对齐①】：[FE11:他][F1:去][FE12:超][FE12:市][FE13:买][FE13:了][FE13:一][FE13:包][FE13:咖][FE13:啡]。
【句子1对齐②】：他去超市[F2:买][FE21:了][FE22:一][FE22:包][FE22:咖][FE22:啡]。
【句子1对齐③】：他去超市买了[FE31:一][FE31:包][F3:咖][F3:啡]。
104、根据对齐结果，分析句子框架语义场景覆盖度。
具体地，覆盖度为句子每个语义场景中包含语义标签的词占原始句子的比例：
Figure BDA0002579080440000081
Num(label)为带语义场景标签的字数目，Num(token)为原始句子总的字个数。对于103步骤分析的句子，覆盖度为：D11＝1，D12＝0.6,D13＝0.4。Dij表示第i个句子第j个语义场景的覆盖度。
105、根据覆盖度值，自动生成句子语义场景层次结构。
具体地，基于104步骤计算的覆盖度值Dij，来确定句子语义场景层次级别。将覆盖度值按从小到大的顺序进行排序，相应的排名即为语义场景所属的层级级别。
L＝Rank(Dij)
Rank(.)为排序函数，按照从大到小顺序进行排序。句子1的层次结构如图3所示。
106、利用互注意力机制，建模句对语义场景间交互关系。
具体地，利用预训练模型得到句子语义场景的向量化表示，分别得到：
Figure BDA0002579080440000082
Figure BDA0002579080440000083
其中，Sij表示第i句的第j个语义场景表示。N表示句子1有N个语义场景，M表示句子2包含M个语义场景。
利用互注意力机制捕捉两个句子中语义场景间相互重要的信息。
Figure BDA0002579080440000091
Figure BDA0002579080440000092
Figure BDA0002579080440000093
表示点积函数，通过对S1和S2进行点积得到成对匹配矩阵，计算的是句子中的语义场景对另一个句子中语义场景的重要程度(即注意力)，形成注意力分布U1，U2。
107、利用自注意力机制，建模句内语义场景间交互关系。
具体地，基于互注意力机制得到的句子表示，利用自注意力机制捕捉句子中语义场景间相互重要的信息，计算每个语义场景对可能产生的影响。
Figure BDA0002579080440000094
Figure BDA0002579080440000095
其中，
Figure BDA0002579080440000096
表示第一个句子中第i个语义场景信息，
Figure BDA0002579080440000097
表示第二个句子中第i个语义场景信息。通过自注意力机制计算句子中每个语义场景对整个句子语义的重要程度，形成新的句子语义场景表示M1，M2。
108、分析句对不同层次不同粒度语义场景的一致性。
具体地，如图4中分析句对不同层次语义场景之间的关系：句子1中第1层级框架“F1位移”与句子2中第1层级框架“F4位移”相同；句子1中第2层级框架“F2商业购买”与句子2中第2层级框架“F5商业购买”相同；句子1中第3层级框架“F3食物”与句子2中第3层级框架“F6服装”不同。
109、根据句对语义场景一致性结果自动识别句对之间关系。
具体地，句对语义场景一致性判断包括两种情形：若句子1和句子2不同层级语义场景相似，则两个句子语义场景一致；若句子1和句子2不同层级语义场景有一个语义场景无关，则两个句子语义场景不一致。如图4中，根据108分析结果，尽管句子1和句子2第1层级与第2层级语义场景一致，但是第3层级语义场景不一致，故句子1和句子2之间语义场景不一致。

Claims (1)

1.一种语义场景一致性识别阅读机器人，其特征在于：包括语义场景构建单元、语义场景层次化表示单元、语义场景关系交互单元和语义场景一致性识别单元；
所述语义场景构建单元：对于给定的句对，将句子中的词与汉语框架语义资源网的词元库进行对比，找到相应的框架；在此基础上，根据汉语句子框架元素标注规范，标注句子隶属的框架，并标注框架包含的框架元素，其中框架为句子所属的语义场景，框架元素为句子语义场景的参与者，句子语义场景构建完毕后进入语义场景层次化表示单元；
所述语义场景层次化表示单元：对于完成语义场景构建的句子，首先为句子中每个字分配语义标签，将句子语义场景标签与原始句子中的词进行对齐；根据对齐信息，计算句子不同语义场景的覆盖度，即每个场景包含语义标签的词与句子原始词语的比例；将句子每个场景语义覆盖度进行排序；根据排序结果，划分句子语义场景层次，形成句子语义场景层次化表示，进入语义场景交互单元；
所述语义场景关系交互单元：在句子语义场景层次化表示基础上，利用注意力机制进行句间和句内语义场景关系交互建模，语义场景关系交互建模之后，进入语义场景一致性识别单元；所述注意力机制分为互注意力机制和自注意力机制；所述互注意力机制关注句间语义场景关系交互，将句对的语义场景层次化信息作为输入，堆叠执行多步交互操作来计算一个句子语义场景对另一个句子语义场景的重要程度；所述自注意力机制关注句子内语义场景关系交互，将单个句子的语义场景层次化信息作为输入，堆叠执行多步交互操作来计算句子内语义场景对整个句子语义的重要程度；
所述语义场景一致性识别单元：计算句对不同层级不同粒度语义场景之间相似性，若句对不同层级不同粒度语义场景均一致，则句对语义场景一致性关系识别为一致；若句对语义场景存在差异，则句对语义场景一致性关系识别为不一致。
CN202010662363.7A 2020-07-10 2020-07-10 一种语义场景一致性识别阅读机器人 Active CN111859909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010662363.7A CN111859909B (zh) 2020-07-10 2020-07-10 一种语义场景一致性识别阅读机器人

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010662363.7A CN111859909B (zh) 2020-07-10 2020-07-10 一种语义场景一致性识别阅读机器人

Publications (2)

Publication Number Publication Date
CN111859909A CN111859909A (zh) 2020-10-30
CN111859909B true CN111859909B (zh) 2022-05-31

Family

ID=73152800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010662363.7A Active CN111859909B (zh) 2020-07-10 2020-07-10 一种语义场景一致性识别阅读机器人

Country Status (1)

Country Link
CN (1) CN111859909B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112307192B (zh) * 2020-11-09 2024-03-08 武汉大学 一种基于阅读一致性的阅读内容重组方法
CN112347753B (zh) * 2020-11-12 2022-05-27 山西大学 一种应用于阅读机器人的摘要生成方法及系统
CN113326866B (zh) * 2021-04-16 2022-05-31 山西大学 一种融合语义场景的摘要自动生成方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104471561A (zh) * 2012-05-14 2015-03-25 诺基亚公司 用于确定情境-认知相似度的方法和装置
CN109344404A (zh) * 2018-09-21 2019-02-15 中国科学技术大学 情境感知的双重注意力自然语言推理方法
CN109597994A (zh) * 2018-12-04 2019-04-09 挖财网络技术有限公司 短文本问题语义匹配方法和系统
CN109726396A (zh) * 2018-12-20 2019-05-07 泰康保险集团股份有限公司 问答文本的语义匹配方法、装置、介质及电子设备
CN109948163A (zh) * 2019-03-25 2019-06-28 中国科学技术大学 序列动态阅读的自然语言语义匹配方法
CN110209793A (zh) * 2019-06-18 2019-09-06 佰聆数据股份有限公司 一种用于智能识别文本语义的方法
CN110427608A (zh) * 2019-06-24 2019-11-08 浙江大学 一种引入分层形声特征的中文词向量表示学习方法
CN110609897A (zh) * 2019-08-12 2019-12-24 北京化工大学 一种融合全局和局部特征的多类别中文文本分类方法
CN110633360A (zh) * 2019-09-16 2019-12-31 腾讯科技（深圳）有限公司 一种语义匹配的方法以及相关装置
CN111198939A (zh) * 2019-12-27 2020-05-26 北京健康之家科技有限公司 语句相似度的分析方法、装置及计算机设备
WO2020107765A1 (zh) * 2018-11-30 2020-06-04 深圳前海微众银行股份有限公司 语句分析处理方法、装置、设备以及计算机可读存储介质
CN111353299A (zh) * 2020-03-03 2020-06-30 腾讯科技（深圳）有限公司 基于人工智能的对话场景确定方法和相关装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104471561A (zh) * 2012-05-14 2015-03-25 诺基亚公司 用于确定情境-认知相似度的方法和装置
CN109344404A (zh) * 2018-09-21 2019-02-15 中国科学技术大学 情境感知的双重注意力自然语言推理方法
WO2020107765A1 (zh) * 2018-11-30 2020-06-04 深圳前海微众银行股份有限公司 语句分析处理方法、装置、设备以及计算机可读存储介质
CN109597994A (zh) * 2018-12-04 2019-04-09 挖财网络技术有限公司 短文本问题语义匹配方法和系统
CN109726396A (zh) * 2018-12-20 2019-05-07 泰康保险集团股份有限公司 问答文本的语义匹配方法、装置、介质及电子设备
CN109948163A (zh) * 2019-03-25 2019-06-28 中国科学技术大学 序列动态阅读的自然语言语义匹配方法
CN110209793A (zh) * 2019-06-18 2019-09-06 佰聆数据股份有限公司 一种用于智能识别文本语义的方法
CN110427608A (zh) * 2019-06-24 2019-11-08 浙江大学 一种引入分层形声特征的中文词向量表示学习方法
CN110609897A (zh) * 2019-08-12 2019-12-24 北京化工大学 一种融合全局和局部特征的多类别中文文本分类方法
CN110633360A (zh) * 2019-09-16 2019-12-31 腾讯科技（深圳）有限公司 一种语义匹配的方法以及相关装置
CN111198939A (zh) * 2019-12-27 2020-05-26 北京健康之家科技有限公司 语句相似度的分析方法、装置及计算机设备
CN111353299A (zh) * 2020-03-03 2020-06-30 腾讯科技（深圳）有限公司 基于人工智能的对话场景确定方法和相关装置

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
The Semantic Computing Model of Sentence Similarity Based on Chinese FrameNet;Ru Li et al;《2009 IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology》;20091231;255-258 *
TSABCNN: Two-Stage Attention-Based Convolutional Neural Network for Frame Identification;Hongyan Zhao et al;《CCL 2018, NLP-NABD 2018: Chinese Computational Linguistics and Natural Language Processing Based on Naturally Annotated Big Data》;20181007;289-301 *
基于框架语义分析的汉语句子相似度计算;李茹 等;《计算机研究与发展》;20130815;第50卷(第8期);1728-1736 *
基于汉语框架网的问句语义角色标注研究;彭洪保;《中国优秀硕士学位论文全文数据库 中国优秀硕士学位论文全文数据库》;20110315(第3期);I138-1540 *
汉语句子框架语义结构分析技术研究;李茹;《中国博士学位论文全文数据库 信息科技辑》;20130115(第1期);I138-79 *
汉语框架识别技术研究;张力文;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190415(第4期);I138-1189 *
面向高考阅读理解的句子语义相关度;郭少茹 等;《清华大学学报(自然科学版)》;20170615;第57卷(第6期);575-579,585 *

Also Published As

Publication number Publication date
CN111859909A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
You et al. Cross-modality attention with semantic graph embedding for multi-label classification
CN113761936B (zh) 一种基于多头自注意力机制的多任务篇章级事件抽取方法
CN108182295B (zh) 一种企业知识图谱属性抽取方法及系统
CN111859909B (zh) 一种语义场景一致性识别阅读机器人
Kembhavi et al. A diagram is worth a dozen images
CN109923557A (zh) 使用连续正则化训练联合多任务神经网络模型
Cheng et al. Class attention network for image recognition
CN110866542A (zh) 一种基于特征可控融合的深度表示学习方法
CN107862322B (zh) 结合图片和文本进行图片属性分类的方法、装置及系统
Zhao et al. Deep multi-task learning with relational attention for business success prediction
CN110781681B (zh) 一种基于翻译模型的初等数学应用题自动求解方法及系统
CN113948217A (zh) 一种基于局部特征整合的医学嵌套命名实体识别方法
KR20200010672A (ko) 딥러닝을 이용한 스마트 상품 검색 방법 및 시스템
CN111858896A (zh) 一种基于深度学习的知识库问答方法
CN111582506A (zh) 基于全局和局部标记关系的偏多标记学习方法
Chen et al. Visual-based deep learning for clothing from large database
CN114548099A (zh) 基于多任务框架的方面词和方面类别联合抽取和检测方法
CN112101029A (zh) 一种基于bert模型的高校导师推荐管理方法
CN115659947A (zh) 基于机器阅读理解及文本摘要的多项选择答题方法及系统
CN113240033B (zh) 一种基于场景图高阶语义结构的视觉关系检测方法及装置
Juyal et al. Multilabel image classification using the CNN and DC-CNN model on Pascal VOC 2012 dataset
Budzynska et al. Argument Mining.
CN112148994A (zh) 信息推送效果评估方法、装置、电子设备及存储介质
Vijayaraju Image retrieval using image captioning
Xia Label oriented hierarchical attention neural network for short text classification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant