基于深度學習的問題分類的研究.pdf

1、問題分類(QC)是智能問答系統(tǒng)的關鍵技術之一。問題分類與文本分類相似，其目標是為每一個自然語言問句分配一個類別標簽，此類別代表的是問句期望的最終答案的類型，在問答系統(tǒng)中通過問題的類別信息對候選答案進行約束和過濾。
　　近年來，隨著問答系統(tǒng)的發(fā)展，問題分類越來越受到研究學者的關注。早期，學者們研究了基于規(guī)則的問題分類方法，由于規(guī)則不具有通用性，后來逐漸轉變?yōu)榛跈C器學習的問題分類研究方法。在基于機器學習的研究方法中，最初研究人員主要

2、探索了基于支持向量機(SVM)和最大熵模型(ME)在問題分類中的應用；目前，基于機器學習的問題分類模型存在幾點不足之處：(1)傳統(tǒng)機器學習方法(SVM,ME)處理的是定長數(shù)據(jù)，在將長度長短不一的問句轉換為定長特征時會造成信息的丟失；(2)目前的研究方法沒有考慮數(shù)據(jù)的領域信息，數(shù)據(jù)的領域差別會造成分類器性能的下降。
　　針對上述問題，本文中我們提出了基于深層神經網(wǎng)絡模型的問題分類方法，首先我們提出了一種基于特征融合的深層神經網(wǎng)絡分類

3、模型。在分類模型中，我們使用句子的unigram詞語特征、詞性特征以及Term Weight特征；分類網(wǎng)絡的輸入為多種特征向量融合得到的詞嵌入；為解決句子長度長短不一的問題，網(wǎng)絡中使用了BLSTM作為網(wǎng)絡的隱含層，然后分別通過pooling層和softmax層完成從隱含層的輸出結果中提取句子特征和對句子分類的工作。實驗證明，通過融合多種句子特征，課題中提出的方法能夠取得較好的分類結果，在粗粒度分類(coarse)和細粒度分類(fine)