导读:本文包含了问句理解论文开题报告文献综述及选题提纲参考文献，主要关键词:整合关联模型,“难道”型反问句,理解过程,影响因素
问句理解论文文献综述
付海玉[1]（2019）在《整合关联模型下汉语反问句理解过程研究》一文中研究指出反问句是日常对话中经常使用的语言形式,自古以来引起研究者的注意。修辞学家、语法学家和语言学家已经从多种角度对其做了多维度考察,但很少有学者从认知角度研究反问句的理解过程,所以此类研究仍存在一些不足。认知语言学的发展为语言研究提供了新的角度,揭示了人类认知与语言理解密不可分的关系。本文尝试整合概念整合理论和关联理论,提出整合关联模型(CBT-RTmodel)来更加清晰地展示意义构建过程,并运用该模型对所收集的“难道”型反问句进行分析,以验证该模型对反问句理解过程的解释力。本研究使用的语料来源于北京大学中国语言学研究中心现代汉语语料库(CCL),作者根据“难道”句在话语中出现的位置将其分为了四类:句首、句中、句末和单独出现,并分别阐释了听者的理解过程,以此构建出了“难道”型反问句理解过程的整合关联模型。本文还进一步解释了“难道”一词的作用,并讨论了影响“难道”句理解的因素和造成交际失败的原因,可以为成功交际提供一些启发。本研究有以下几点发现:第一,说话者使用“难道”型反问句的信息意图是传达否定意义,也就是话语的显性义。听者对该意义的理解可能仅通过解码获得,也可能需要结合编码信息(I1)和认知语境(I2)之间的联系获得。两个输入空间一般通过核心关系—“矛盾”联系起来,相关元素在合成空间中压缩成“同一性”。说话者的交际意图根据人称的不同,或向听话人发泄某种强烈情绪,或要求对方站在自己的立场看问题,获得同理心,或拉近/疏远心理距离,或跟听话人讨论某种观点并将其说服。第二,“难道”一词在加强说话者的反问语气和增强其情感方面起到了很重要的作用,因为它对听话人具有双重强制功能。具体来说,说者预设听者抱有一种“不合理”信念并用“难道”一词对其进行否定。这样,它“强迫”听者承认他/她的错误观念并同意说者的看法。此外,“难道”传达出的强烈情感是语境效果的一部分,听者在处理信息时需要付出更多认知努力。第叁,理解“难道”句的影响因素有编码信息、语调和肢体语言、理想化认知模型、文化模式和个人推理能力。第四,交际失败的原因有解码失败、推理失败和不愿合作。本次研究不仅对概念整合理论和关联理论做了一些补充,而且找到了研究汉语反问句的新方法,对听者正确理解“难道”型反问句有所启发。(本文来源于《山东大学》期刊2019-05-20）
陈彦妤[2]（2018）在《健康保险智能问答问句理解和答案检索的研究与实现》一文中研究指出健康保险作为一个专业性较强、知识复杂的领域,大部分民众对于保险领域相关知识了解甚少。参保人常常对保障条件、险种选择等方面的专业词汇产生理解上的困难。智能问答技术能够准确理解用户的查询意图,并准确定位查询结果。成为了人工智能领域的重要研究方向之一。本文主要针对健康保险智能问答系统展开研究,对健康保险问答系统存在的问题和实现技术进行了深入分析。从用户查询语句的理解出发,基于结构化的健康保险知识库,设计一个健康保险智能问答系统。同时对深度学习技术进行了深入研究,并将深度学习的相关算法应用在智能问答系统中,以提高系统的准确率。本文的主要研究内容和贡献如下:(1)构建保险文档采集与质量控制模块在保险条款的采集过程中存在的大量“异名同款”、“一款多名”等数据质量不高的问题。本文基于字符串相似度匹配,结合人工筛选搭建保险条款采集和质量控制模块。一定程度上的避免了数据冗余,提高了结构化保险数据的质量。(2)设计并实现了保险领域智能问答的问句理解和答案检索查找相似问句答案的智能问答方法无法更好的理解用户查询意图,且需要大量的人力构建FAQ库。针对这一问题,本文通过自然语言技术理解用户问句,基于结构化的保险知识库进行查询,并采用ElasticSearch和Django搭建了保险领域智能问答系统。首先基于主体识别模型识别问句中的保险名称主体;再采用多模字符串匹配算法基于关系同义词字典识别问句中的关系实体;然后采用先分词再n-gram检索的方式提取问句中的属性实体;最后基于自定义的规则模版将问句转化为ElasticSearch查询语句,从结构化的保险知识中检索问句答案。系统更准确的理解了用户查询意图,节省了用户定位知识的时间,提升了用户体验。(3)智能问答问句主体识别方法研究由于保险名称较长,且用户查询时存在大量的简写、歧义。无法通过模版和词典识别保险名称,所以识别用户问句中的保险命名信息成为了一个研究难点。针对健康保险智能问答系统中保险主体较难识别的问题。本文结合真实的健康保险领域问句,采用条件随机场(CRF)与双向长短记忆循环神经网络相结合的主体识别模型(Bi-LSTM-CRF),加入预训练字嵌入向量进行训练。并与当前较为流行的命名实体识别模型开展对比实验。实验采用准确率P、召回率R、F1值评估模型的性能。实验结果表明,本文的模型在保险主体的识别中获得了82.3%的准确率,较其他模型有所提升。最后,本文将Bi-LSTM-CRF模型在健康智能问答系统中实现了应用。(本文来源于《东华大学》期刊2018-05-01）
王益尧[3]（2018）在《基于多特征融合问句理解问答系统研究》一文中研究指出随着计算机技术及互联网在社会各个领域的广泛应用,人们正在不断争取通过计算机领域中的技术发展为人类活动作贡献。在各项社会服务中,由于人工客服系统需要耗费较多的人力、财力,或者人工出现回答不及时的状况,促使自动客服系统替代了人工客服。有鉴于此,作者利用在线咨询系统以往的历史数据,提出关键词-分词识别统计模型并设计基于汉语句子多特征融合相似计算的在线自动应答系统。实验结果证明,答案抽取准确率得到了一定程度的提升。(本文来源于《数据通信》期刊2018年02期）
赵龙[4]（2016）在《英文自动问答系统中数值型问句的理解研究》一文中研究指出随着信息技术的迅速发展,网络上的信息资源越来越多,搜索引擎成为当今检索网络信息的主要工具。但是,基于关键词的信息检索方式不足以完整地反映用户的查询意图,导致大量同查询意图无关的Web页面返回。此外,构建查询表达式对普通用户来说也是个负担。自动问答系统是信息检索的一种高级形式,它尝试回答以自然语言表示的问句,以方便用户的查询并且提高信息检索的准确率。数值型问答系统研究目的是为数值型问句找到相应的数值型答案或者相应的计算公式。本文就是针对英文数值型问句的理解这一热点问题展开研究。本文在一个现有的数值型的问答系统GORT基础之上,对其问句理解环节存在的不足,研究使用机器学习的方法为输入到GORT系统的简单疑问句找到其所对应的计算公式。本文的方法是首先对问句进行分类,接着进行句子预处理操作,最后建立"问句-计算公式"集合。对于目标问句,通过计算句子相似度找到"问句-计算公式"集合中和目标问句最相似的问句,从而归纳出目标问句的计算公式。针对运算型问句的特点,本文提出了基于二分图和编辑距离的问句相似度计算方法:二分图中考虑了句子中短语因素,编辑距离中引入替换代价语义函数。实验结果表明:本文提出的基于二分图的问句理解方法准确率达到80.33%,提出的基于编辑距离的问句理解方法准确率达到85.33%。(本文来源于《大连海事大学》期刊2016-05-01）
李小科[5]（2015）在《合作·关联·顺应模式下汉语反问句的理解》一文中研究指出反问句在汉语中占据着重要地位,因而相关研究成果累累,但研究大都着眼于反问句的句法特征、语义和语用分析,对于这种特殊的"无疑而问"句式的理解过程,很少有学者涉及。本文结合合作·关联·顺应模式(C-R-A模式)的初级模式,发现反问句的特殊之处在于其一级推导总是反问句表达命题的语义否定,这就是其"无疑而问"的根源,并进一步解释了反问句的会话含义和特殊语用价值的产生。(本文来源于《长春教育学院学报》期刊2015年17期）
黄振兴[6]（2015）在《中文问句理解技术研究及在IT领域问答系统中的应用》一文中研究指出问答系统(Question Answering System,QA)是新一代智能搜索引擎,它允许用户以自然语言提问,并能够向用户返回准确的答案。与传统的关键词检索相比,问答系统能够更好满足用户对快速、准确地获取信息的需求。问句理解是问答系统的一个非常重要的组成部分,它的准确性直接影响到系统的准确率。本文以知网为基础,初步建立起基于疑问意向问句分类机制;然后,根据分类的语义块特征提取得到语义理解模型;其次,以问句句型和疑问焦点识别为基础,针对中文句子的提问目的,提出多特征多层次结合的句子相似度计算方法;最后,根据上述提到的理论方法,建立一个实际应用模型。具体来说,本文主要的实际性工作和取得的主要成果如下:1.对中文问句的特点进行分析,提出基于疑问意向的问句分类方法,通过提取问句的疑问焦点、句法和句子成分的语义角色叁方面内容,将问句的各个组成成分归类到事件语义块,问点块,其他语义块等叁大语义块,并对各个语义块进行提取,建立问句的语义理解模型;2.问句提取意图的方法随着问句类型的不同而有一定的差异,即意图提取的研究对象是疑问句。本文的研究背景是自然语言问答系统,通过大量分析语料,再依据不同疑问句出现的频率多少,将疑问句类型分为特指问句,正反问句,句末语助词问句这叁类,最后依据疑问句类型提出有针对性的问句意图提取方法;3.通过分析和研究现有问句相似度计算方法的局限,提出利用多层次多特征的融合的汉语句子相似度计算方法。主要思想如下:第一步,针对用户所提出的疑问句,采用自然语言处理中的技术来分析问题,可以将用户的问句分为问句意图和关键词集这两个部分。第二步,考虑目标层、结构层和语义层,包括意图、关键词、句子长度等多种特征。第叁步,确定句子相似度的值,即运用一种简单有效的融合手段来获取综合特征,再根据综合特征确定句子相似度的值;4.最后,将本文所研究的问句理解技术和利用有别于现有句子相似度的计算新方法应用于IT领域自然语言问答系统中。面向IT领域的自动问答系统的测评结果表明该方法具有一定的可行性和较高的实用价值。(本文来源于《华南理工大学》期刊2015-03-15）
文博[7]（2014）在《面向智能客服机器人的交互式问句理解研究》一文中研究指出随着互联网的快速发展和普及,在线购物以它方便快捷、商品丰富以及价格低廉的特点,吸引了越来越多的顾客选择在线消费。同时,网络商家需要提供大量客服人员以满足顾客在购物过程中的信息咨询需求。如果能够用智能的客服机器人自动答复简单重复的顾客的信息咨询,就可以大大提高客服人员的工作效率和减少客服的重复劳动,从而提高在线顾客的购物满意度以及降低商家的经营成本。智能客服机器人的本质为问答系统,即根据顾客提出的问题从知识库中寻找答案返回给顾客。一个辅助型的机器人也可以将结果以参考答案形式返回给客服人员,供其选择参考。要正确回答顾客的问题,关键在于机器人需要能够正确理解问题。然而,在客服领域,存在顾客咨询的问句口语化现象严重,问句缺省多,以及问句上下文关联性强等特点。现有的问句理解处理技术无法达到智能客服机器人的要求。为了解决网购环境中客服咨询问句的正确理解问题,本文从交互式对话的角度出发,结合智能客服机器人的定位,提出了一个面向智能客服机器人的交互式问句理解模型。首先,对问句产生的上下文进行对话结构建模,通过机器学习方法分析出用户在提出当前问题时的上下文信息,通过对当前对话的行为结构分析识别出问题对应的疑问信息,再结合问题的主题分析和语义分析,对问句的语义信息进行扩展和理解,最终从知识库检索出符合真正符合语义的答案。本文主要完成的工作如下:(1)对真实网购环境中的语料进行了标注和分析,总结了客服咨询交互式语句的特点及对话特点。(2)通过对网络购物环境的真实语料分析,提出了一套适用于对话结构分析的言语行为分类体系,并用于网购客服对话的结构分析和问题问点识别。同时,提出了一套适用于网络购物环境的问句主题分类体系,用于对客服咨询问题的语义分析。(3)通过结合言语行为分析、问句主题分析以及问句语义块抽取,提出了一个适用于网购客服对话的交互式问句理解方法。(4)最后,本文将该方法应用于真实的购物环境中,设计并开发出了一个可用的智能客服机器人。通过实验的对比分析,得到以下结论:首先,实验通过对独立问句的实验对比,表明基于主题、对象和语义块的方法对问句的理解要优于以词袋集为基础的问句理解方法。其次,通过在交互式对话中评价上下文相关问句实验对比,表明基于言语行为的问点识别和上下文信息扩展方式在交互式问答中能够提升相关答案的检索性能。(本文来源于《哈尔滨工业大学》期刊2014-12-01）
丁烨[8]（2014）在《基于本体的中文问答系统中问句的语义理解》一文中研究指出随着互联网所承载的信息量日益增大,如何在互联网上快速高效的找到用户所需要的数据是互联网发展的方向。结构化数据的存储为海量信息的查找提供了途径,因而出现了越来越多的知识库、本体库。运用这些海量的知识,特别是领域类的专业知识,能有针对性地回答用户的问题。知识库通常采用RDF叁元组的形式存储,要利用这些海量的数据,就需要专业的查询语句。而用户输入的是自然语言的问句,需要在理解用户问句的基础上得到相应的查询语句。问句的理解与分析不仅是问答系统的第一步,其句意分析的好坏更是直接影响到问答系统答案的优劣。从问答系统的处理流程来看,一般包括叁个子系统：问题理解子系统、信息检索子系统和答案抽取子系统。问题理解子系统主要对用户输入的自然语言提问进行分析和分类,同时提取用户的提问意图,并以某种形式来表示该语义信息；信息检索子系统根据问题理解部分提供的结果进行检索,找到包含正确的知识表示或是找到可能包含答案的范围；答案抽取子系统的主要工作是对检索的结果进行过滤,并按照自然语言生成算法,将检索到的知识表示生成精确的问题答句,而后将答案返回给用户。本论文在对问句进行预处理后,对问句的句法分析树进行语义查询图的构造,目的是将自然语言问句构造成为机器可以理解的SPARQL查询语句,实现对本体知识库的查询。论文研究的主要内容：(1)构建领域本体库。本文使用OWL2本体描述语言,利用本体可视化工具Protege构建桂林旅游领域本体。(2)对自然语言描述的问句进行预处理。进行分词、命名实体识别和句法分析处理,在分词模块中加入桂林旅游领域的词表进行分词,提高分词的准确率；再进行句法分析获得句法分析树。(3)构造句法分析树的查询语义图。构造语义图的目的是为了从句法分析树中提取出句子的主体部分,以便使用SPARQL语句构造查询语句。本文将名词构造成节点,动词构造成边,介词用来限定实体的属性,查询语义图就是一张用来描述用户查询中实体关系的图,其中包含了实体,实体间关系以及实体的方向性属性。(4)查询语义图与领域本体的映射。语义图中的点映射到本体库中的实体,边映射到本体库中的关系,生成SPARQL查询语句。当语义图中的点或边在本体库中不存在时,利用《同义词词林》对不存在的点或边进行扩充,对扩充后的候选集中的各个节点均生成一个SPARQL查询语句。(本文来源于《广西师范大学》期刊2014-04-01）
许坤,冯岩松,赵东岩,陈立伟,邹磊[9]（2014）在《面向知识库的中文自然语言问句的语义理解》一文中研究指出设计从自然语言问句到结构化查询的转换框架。该方法从自然语言问句的句法结构入手,提出一套启发式识别实体与关系的方法,并利用语料库建立从实体到知识库的映射,对谓词进行消歧,进而转化为计算机可理解的结构化查询语言。从百度知道抽取人物、地点、组织3类共42个问题作为标准测试集。实验结果表明,所提出的框架能够有效地将中文自然语言问句转换为结构化查询,为下一代智能问答系统打下良好的基础。(本文来源于《北京大学学报(自然科学版)》期刊2014年01期）
苏斐,高德利,叶晨[10]（2012）在《Web问答系统中问句理解的研究》一文中研究指出对问答系统中的问句理解技术进行了深入研究,提出了对问句信息进行深层挖掘形成问句表征.对问句进行分词、去停用词等预处理;结合FAQ库和网络对问句进行关键词扩展,以网络为语料库,利用N元语法模型对问句中的新词进行识别,利用规则的方法对问句进行分类;利用原始关键词+扩展词+新词+类别的形式对问句的信息进行表征.基于上述理论实现一个问答系统并进行了验证,实验表明:文中的问句理解方法能有效改善系统的性能.(本文来源于《测试技术学报》期刊2012年03期）
问句理解论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
健康保险作为一个专业性较强、知识复杂的领域,大部分民众对于保险领域相关知识了解甚少。参保人常常对保障条件、险种选择等方面的专业词汇产生理解上的困难。智能问答技术能够准确理解用户的查询意图,并准确定位查询结果。成为了人工智能领域的重要研究方向之一。本文主要针对健康保险智能问答系统展开研究,对健康保险问答系统存在的问题和实现技术进行了深入分析。从用户查询语句的理解出发,基于结构化的健康保险知识库,设计一个健康保险智能问答系统。同时对深度学习技术进行了深入研究,并将深度学习的相关算法应用在智能问答系统中,以提高系统的准确率。本文的主要研究内容和贡献如下:(1)构建保险文档采集与质量控制模块在保险条款的采集过程中存在的大量“异名同款”、“一款多名”等数据质量不高的问题。本文基于字符串相似度匹配,结合人工筛选搭建保险条款采集和质量控制模块。一定程度上的避免了数据冗余,提高了结构化保险数据的质量。(2)设计并实现了保险领域智能问答的问句理解和答案检索查找相似问句答案的智能问答方法无法更好的理解用户查询意图,且需要大量的人力构建FAQ库。针对这一问题,本文通过自然语言技术理解用户问句,基于结构化的保险知识库进行查询,并采用ElasticSearch和Django搭建了保险领域智能问答系统。首先基于主体识别模型识别问句中的保险名称主体;再采用多模字符串匹配算法基于关系同义词字典识别问句中的关系实体;然后采用先分词再n-gram检索的方式提取问句中的属性实体;最后基于自定义的规则模版将问句转化为ElasticSearch查询语句,从结构化的保险知识中检索问句答案。系统更准确的理解了用户查询意图,节省了用户定位知识的时间,提升了用户体验。(3)智能问答问句主体识别方法研究由于保险名称较长,且用户查询时存在大量的简写、歧义。无法通过模版和词典识别保险名称,所以识别用户问句中的保险命名信息成为了一个研究难点。针对健康保险智能问答系统中保险主体较难识别的问题。本文结合真实的健康保险领域问句,采用条件随机场(CRF)与双向长短记忆循环神经网络相结合的主体识别模型(Bi-LSTM-CRF),加入预训练字嵌入向量进行训练。并与当前较为流行的命名实体识别模型开展对比实验。实验采用准确率P、召回率R、F1值评估模型的性能。实验结果表明,本文的模型在保险主体的识别中获得了82.3%的准确率,较其他模型有所提升。最后,本文将Bi-LSTM-CRF模型在健康智能问答系统中实现了应用。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
问句理解论文参考文献
[1].付海玉.整合关联模型下汉语反问句理解过程研究[D].山东大学.2019
[2].陈彦妤.健康保险智能问答问句理解和答案检索的研究与实现[D].东华大学.2018
[3].王益尧.基于多特征融合问句理解问答系统研究[J].数据通信.2018
[4].赵龙.英文自动问答系统中数值型问句的理解研究[D].大连海事大学.2016
[5].李小科.合作·关联·顺应模式下汉语反问句的理解[J].长春教育学院学报.2015
[6].黄振兴.中文问句理解技术研究及在IT领域问答系统中的应用[D].华南理工大学.2015
[7].文博.面向智能客服机器人的交互式问句理解研究[D].哈尔滨工业大学.2014
[8].丁烨.基于本体的中文问答系统中问句的语义理解[D].广西师范大学.2014
[9].许坤,冯岩松,赵东岩,陈立伟,邹磊.面向知识库的中文自然语言问句的语义理解[J].北京大学学报(自然科学版).2014
[10].苏斐,高德利,叶晨.Web问答系统中问句理解的研究[J].测试技术学报.2012