欧美国产伦久久久久久久

<acronym id="cqmsy"></acronym>
<acronym id="cqmsy"><center id="cqmsy"></center></acronym>

24小時論文定制熱線

咨詢電話

熱門畢設:土木工程工程造價橋梁工程計算機javaasp機械機械手夾具單片機工廠供電采礦工程
您當前的位置:論文定制 > 畢業設計論文 >
快速導航
畢業論文定制
關于我們
我們是一家專業提供高質量代做畢業設計的網站。2002年成立至今為眾多客戶提供大量畢業設計、論文定制等服務,贏得眾多客戶好評,因為專注,所以專業。寫作老師大部分由全國211/958等高校的博士及碩士生設計,執筆,目前已為5000余位客戶解決了論文寫作的難題。 秉承以用戶為中心,為用戶創造價值的理念,我站擁有無縫對接的售后服務體系,代做畢業設計完成后有專業的老師進行一對一修改與完善,對有答辯需求的同學進行一對一的輔導,為你順利畢業保駕護航
代做畢業設計
常見問題

基于SPCE061A單片機的語音問答交互系統

添加時間:2021/06/19 來源:未知 作者:樂楓
摘 要 本文以 SPCE061A 單片機為核心處理器,利用其適用于數字語音識別的特點,設計了醫療特定領域的語音問答交互系統。本文以心血管內科常見疾病和用藥為研究主題,結合常見疾病和用藥的問題知識庫和答案知識庫作支撐,為用戶提供尋醫問藥的問答交互硬件平
以下為本篇論文正文:

摘 要

  本文以 SPCE061A 單片機為核心處理器,利用其適用于數字語音識別的特點,設計了醫療特定領域的語音問答交互系統。本文以心血管內科常見疾病和用藥為研究主題,結合常見疾病和用藥的問題知識庫和答案知識庫作支撐,為用戶提供"尋醫問藥"的問答交互硬件平臺。

  語音問答交互系統功能的實現主要分為知識庫的建立、語音訓練和識別、正確答案提取三個部分,知識庫的建立部分利用網絡爬蟲技術獲取常見疾病和用藥資料建立離線知識庫,并以此作為系統底層數據的支撐;語音的訓練和識別部分通過調用單片機 API 函數對常問問題進行訓練和識別,并設置相應的問答語句建立常問問答庫;正確答案提取部分針對問題分類中的復雜類問題,對其進行問題解析、信息檢索、答案抽取等操作,分別通過基于規則和句法分析的方法、基于向量空間模型的 TF-IDF 算法、基于窗口模型的答案抽取算法等將識別出的問題匹配置信度最高的答案,最終以語音播報的形式反饋給用戶。

  本文通過大量的應用實驗對系統的功能進行測試,以問題識別率和答案匹配率評價系統的性能,經過數據分析和統計,系統的問題識別率和答案匹配率分別達到 86.3%和 84.9%,由此可見,本文最終實現了系統"尋醫問藥"的問答交互功能。

  關鍵詞:SPCE061A 單片機;醫療領域;語音識別;問答交互

ABSTRACT

  This article takes SPCE061A single-chip microcomputer as the core processor and uses its characteristics suitable for digital voice recognition to design a voice question answering interactive system in a specific medical field. This article takes the common diseases and medications of cardiovascular medicine as the research theme, and combines the knowledge base and answer knowledge base of common diseases and medications to provide users with a question-and-answer interactive hardware platform.

  The realization of the function of the voice question answering interactive system is mainly pided into the establishment of a knowledge base, voice training and recognition, and the extraction of correct answers. The establishment of the knowledge base uses the web crawler technology to obtain common diseases and medication information to build an offline knowledge base, and As the support of the underlying data of the system; the training and recognition part of the voice trains and recognizes frequently asked questions by calling the single chip API function, and sets up the corresponding question and answer statements to establish the frequently asked question and answer library; Perform question analysis, information retrieval, answer extraction and other operations on it, and use the rules and syntax analysis methods, vector space model-based TF-IDF algorithm, and window model-based answer extraction algorithm to match the identified questions with confidence The highest answer is finally fed back to the user in the form of voice broadcast.

  This paper tests the function of the system through a large number of application experiments, and evaluates the performance of the system with the question recognition rate and answer matching rate. After data analysis and statistics, the system's question recognition rate and answer matching rate reached 86.3% and 84.9%, respectively. This shows that this article finally realized the question-answer interactive function of the system "seeking medical advice and medicine".

  Key Words: SPCE061A MCU;The medical field;Speech recognition;Q&A interaction

單片機

 

目 錄

  第 1 章 引言

  1.1 研究背景和意義

  互聯網的飛速發展和廣泛普及,使人們從互聯網上獲取大量信息變得前所未有的容易,但是如何過濾用戶不需要的信息或從大量信息中獲取有用信息卻一直沒有很好的解決方案,F有的搜索系統,無論是開放式領域檢索還是 Internet搜索引擎,通常都基于關鍵字搜索。這種搜索通常有以下缺點:首先,搜索返回的結果通常與標準答案相關或接近,距離真實意圖較遠的文本或網頁需要用戶進一步篩選和過濾,這給用戶帶來極大的不便;其次,用戶搜索意圖往往更為復雜,不能單純用多個關鍵詞的邏輯組合來表達搜索需求本身,也不能清楚地表達真實的搜索意圖,因此不能直接檢索出滿足用戶的標準答案。另外,從最根本的角度來看,基于關鍵字的索引匹配算法雖簡單易行,但畢竟它停留在語言表層并不觸及語義,因此難以進一步提高檢索效果。

  而自動問答系統[1](Question Answering,QA)允許用戶以自然語言提問并直接返回準確答案,其設計概念、操作機制與現有關鍵字搜索完全不同,且預期結果優于傳統的關鍵字搜索。目前,問答系統是人工智能和自然語言處理領域備受矚目的研究方向。問答系統的分類,按照問題維度,可分為領域內和開放域問答系統。

  在國際文本檢索會議(Text Retrieval Conference,TREC)和跨語言評估論壇(Cross Language Evaluation Forum,CLEF)等組織的推動下,基于文本的大規模開放域問答系統已經取得了長足的進步,繼而出現了 NUS [2],BBN [3],Columbia [4]和其他定義的問答系統參與了 TREC 評估,同時在研究熱潮和行業競爭的背景下產生了一系列評估指標[5],其中哈爾濱工業大學借鑒國際上對搜索算法的評價機制就常問問題集[6]的問答系統研究出了中文語言類的評價方法。但是,這類開放式問答系統嚴重依賴于網絡資源,而網絡資源的實時性、開放性和復雜性決定其搜索的準確率不高。因此相比之下,領域內問答系統在某些方面具有其獨特的優勢:

  1、由于領域問答的專業資源限制,可以應用該專業的領域知識來提高問答系統問題分析和答案提取模塊的準確率。

  2、可以更容易地推廣該限制領域中成熟的問答解決方案,并將其應用于其他限制領域,例如智能業務和公共管理。

  基于上述優勢,本文以心血管內科常見疾病和用藥為研究主題,以常見疾病和用藥的問題和答案知識庫作支撐,為用戶提供"尋醫問藥"的問答交互硬件平臺。當用戶簡單地以自然語言的形式對系統進行疾病和用藥的咨詢時,該系統便會快速返回用戶置信度最高的精確答案以供用戶參考,免除了用戶自身對繁雜信息的檢索和篩選過程,令操作更加省時便捷;同時利用語音識別技術達到最理想的人機交互方式,實現用戶和系統之間的"一問一答"[7],為用戶答疑解惑。

  而近年來基于單片機硬件的問答系統在醫療、教育等受限領域的場景應用偏少,且大多數系統的研究是基于 Internet 搜索引擎,其問題識別率和答案匹配率皆不太理想。因此本文迫切需要對基于 SPCE061A 單片機[8]的智能語音問答交互系統進行理論和實踐的研究。

  1.2 國內外研究現狀

  1.2.1 問答系統的國外研究現狀

  問答系統的歷史可以追溯到 1950 年代由 Turing 在論文《ComputingMachinery and Intelligence》[9]中提出的"機器智能"概念。從那時起,問答系統的發展可以大致分為以下四個階段。

  第一階段是 1960 年代基于模式匹配的專家庫,例如 LUNAR,MACSYMA,BaseBall 等。此類系統的特點是它可以通過自然語言完成問答,但具有自動獲取知識的功能仍存在瓶頸。同時,由于使用定制模板的方法限制,導致知識面覆蓋率低,不易擴展。

  第二階段是 1990 年代基于信息檢索技術的問答系統,例如 Textract,Webclopedia 和 TREC 的 QA Track[10]等衍生的評估系統,其基礎數據主要是非結構化的原始文檔,網頁和其他自由文本。這類系統的特點是不需要建立大規模的知識庫,但是不能保證相對語音數據的準確性。

  第三階段是 2000 年代基于網絡搜索的問題解答系統。典型的系統,例如START,Encart,ASKJeeves 等[11]通過分析網頁將答案返回給用戶。START [12]是世界上第一個基于 WEB 的問答系統。它是由麻省理工學院計算機科學與人工智能實驗室聯合開發的,其主要創建者是 Boris Katz.它與僅提供一系列結果的信息檢索系統不同的地方在于該系統致力于為用戶提供"最準確的答案",目前該系統可以回答有關地理,電影,任務和詞典等領域知識內數以萬計類問題。STAR會優先使用自己的兩個數據庫進行答案檢索,如果問題能在數據庫中查詢并匹 配,則會直接返回答案;否則,它將提取關鍵字并返回相關的網頁鏈接。與傳統的搜索引擎不同,這種類型的系統通常會對用戶的問題進行淺層語言分析,并根據手動維護的模板庫將語義最接近的答案返回給用戶。

  第四階段是 2010 年代出現的基于知識圖譜的問答系統,其底層是龐大的知識庫。典型的系統包括 IBM Wason 和 WolframlAlpha.WolframlAlpha 是由 StephenWolfram 開發的新一代知識計算引擎。它與 Google 搜索類似,但兩者運行機制存在差異,且兩者最大的檢索效果差異在于它可以根據問題直接給出正確答案。

  WolframlAlpha 首先使用公共和授權資源作為數據基礎,其次通過數據挖掘來構建異常大且有組織的數據庫,最后使用高級自然語言算法對查詢數據進行處理。

  基于知識庫的問答是當今問答系統的發展趨勢。其中開放域知識庫在業界已經出現很多成熟的發開平臺,如 YAGO [13],DBpedia [14],FreeBase [15],NELL[16]等,同時受限領域知識庫在日益競爭的激烈環境下也涌現出大量相關的研究。

  Frank 等[17]提出了一種基于健壯語義分析的混合 NLP 系統架構,其研究明確了自然語言處理和知識提取之間的關系,并最終實現了領域內結構化知識庫的問答。該方法不需要太多的領域知識,問題分析過程還將產生高質量的量化原型問題,并且從原型問題生成的查詢語句中有效地計算知識庫的最小生成樹。Zhang等人[18]提出了一種整數線性規劃(ILP)模型,該模型將對齊構造和查詢構造過程集成在一起,從而系統地解決了多個知識庫的聯合查詢問題。Fader 等人[19]首先將問題分解為子問題,然后經過問題擴展,查詢生成等步驟,結合知識庫中的語料庫和數百萬條查詢匹配規則,以精心構建的知識庫為基礎,抽取出 WEB 知識庫的問題和答案。

  1.2.2 問答系統的國內研究現狀

  與國外研究時期相比,國內研究起步相對較晚,主要是由中文自然語言表達的靈活性決定。首先,中文自然語言處理工具無法從根本上解決這一問題,而且很難直接完全應用某一成熟的國外技術;其次,中文領域的語料庫非常缺失,同時缺乏相應的評估機制。

  根據"Agent 和本體論是常識知識庫的兩大支柱"的觀點,國內的陸汝鈴等[20]建立了一個大型常識知識庫" 盤古",并在其基礎上構建了一個自動通話系統。此外由中國科學院計算技術研究所的曹寸根等[21]研發的 NKI(國家知識基礎設施)知識問答系統包含地理和人文 16 個學科領域的 23 個知識庫,并支持自然語言查詢。再者諸如百度之類的搜索引擎也已經開始基于知識圖譜提供簡單的自然語言問題答案集進行研究。ASQA[22]是中國臺灣的智能中文問答系統,該系統包括人物,地點,組織,時間,數量和 artifact 的 fatctiod 類等重要問題。該知識庫主要是從 1998-1999 年 CIRB[23]發表集合中提取的,并且在受限領域中,大多數研究是基于社區問答和基于 FAQ 的問答[24].當然,也存在一些基于部分實驗知識的問答系統,例如基于食物本體論和農業本體論的問答,但是這類系統基礎數據很少,尚未在實踐中得到應用。

  綜上所述,問答系統在搜索引擎方面的技術已經趨于成熟,但是實現一個全面的知識網絡結構的問答仍是一個漫長而艱巨的過程,缺乏底層基礎數據支撐的現狀仍導致許多實際的應用領域受限。對此,本文通過基于網絡爬蟲的方法獲取相關領域權威的、相對完備的知識庫作支撐,應用于教育和醫療等限制領域,以下便是基于 SPCE061A 單片機的智能語音問答交互系統的詳細描述。

  1.3 問答交互系統概述

  問答交互系統按照其功能的遞進順序可以劃分為三個模塊:問題理解模塊-理解用戶意圖,信息檢索模塊-檢索相似文檔,答案提取模塊-提取最精確答案。

  問題理解是指從用戶提出的問題著手,理解出用戶問題的真實意圖,進一步轉化為計算機能夠理解的自然語言;信息檢索是指從現存知識庫的文檔(例如各種離線網頁列表,文本列表,文件文檔等)中檢索出涉及帶有用戶真實意圖的關鍵文檔,并將這些文檔依據相應檢索規則組合在一起,利用檢索相關度按照從高到低的順序將結果返回給系統。答案提取是指以信息檢索提供的文本為基礎,依據相關算法計算出與用戶的問題匹配置信度最高的答案句子,繼而達到以最精確的答案提供給用戶。

  問題理解是自動問答系統中處理用戶問題的首要步驟,問題理解模塊提取的關鍵詞將作為信息檢索模塊的輸入,而信息檢索模塊得到的相似類文檔又作為答案提取模塊的目標,因此問題理解的準確性將直接決定系統的性能。問題理解的首要工作是對用戶提出的問題進行詞法分析,通過問句詞性分詞和句法結 構分析的結果確定用戶問題類型(該過程即為問題分類),然后從用戶問題中提取關鍵字以及結合問題類型和現有知識庫來擴展關鍵字。但只有當關鍵詞的定義擴展到一定程度時,才能為后續的信息檢索提供幫助。詞法分析包括句子分段和詞性標注的處理,詞性標記為之后的關鍵詞提取奠定基礎。在提取關鍵詞時,通常僅提取動詞,名詞和語音詞的其他部分,這就意味著在自動問答系統中,不能使用相同的標準來處理所有類型的用戶問題,因此有必要對問題進行分類。同時,用戶問題中包含的所有單詞都不能用作信息檢索的關鍵字,例如屬于停用詞的某些語氣詞,諸如"啊","哦","嗎"等疑問詞可以直接刪除。再者在匹配用戶短問題文本時,通常面臨相同語義的單詞和表達形式不唯一的情形,因此需要適當地擴展關鍵字以提高信息檢索的準確性。

  問題理解得到的關鍵詞將直接作為信息檢索的輸入,自動問答系統中信息檢索的主要功能是提供檢索目錄和方法以獲取可能包含用戶提出的問題答案的文檔或段落信息。在信息檢索過程中,系統根據領域、詞性等信息的不同,對不同的關鍵詞賦予不同的權重,通過計算整個文檔中關鍵詞的權重,即問題與文檔兩者之間的相關程度,得到文檔的分數--文檔和用戶的問題相似度。

  由于自動問答系統要求簡潔明了的答案才能返回給用戶,因此信息檢索模塊僅提供大量與用戶問題相關的文檔。實際上,用戶問題的答案有時可能只是一個句子,幾個單詞或一個短語,例如"中國的英文是什么?"這個問題的答案只有一個單詞"China".此時答案提取便是問答系統功能實現的"落腳點",首先該模塊接收問題理解模塊中得到的段落信息,并從中提取出 n 組(n 由窗口模型設置的寬度決定)關鍵詞短語,對應生成 n 組候選答案集,然后根據算法從這 n組候選答案集中提取出一組最佳答案即可。

  1.4 常見的問答

  交互系統根據所屬答案的知識領域劃分,當前實際應用最廣泛的自動問答系統便是基于現有知識庫或知識圖譜[25]的自動問答系統和基于 Internet 搜索引擎的自動問答系統。這兩者的本質區別在于:前者建立了屬于該特定領域的離線知識庫,而后者則依賴于網站服務器的后臺數據庫資源。通常包含一個或多個人工構建的知識庫,并通過句子相似度計算,信息檢索,答案提取等方法獲得用戶問題答案的自動問答系統,被認為是一種基于知識庫或知識圖譜的自動問答系統。由于通過純人工總結完善知識這種方式顯得過程異常繁瑣,而且損耗大量資源,其知識庫的完整性和準確性又是該自動問答系統的關鍵,因此開發者普遍選擇構建知識圖譜這種方式來達到完善底層數據庫的需求。

  目前基于知識庫的問答系統在醫療、教育、衛生等領域得到廣泛應用,其中FAQ(基于常問問題庫)的自動問答系統便是典型的代表。其工作原理是:FAQ中存儲了大量的常見問題及其相應的答案,當用戶向系統提交問題時,系統首先計算用戶問題與存儲在常問問題數據庫中的問題之間的句子相似度,當兩個句子相似度大于系統設置的閾值時,將與 FAQ 中最相似問題對應的標準答案直接提供給用戶。

  Wataru Sakata 等人[26]在 2019 年提出了一種查詢問題相似與基于 Bret 模型[27]的 FQA 檢索系統。該系統以地方政府常見問題作為測試數據集,采用了一種機器學習中無監督的方法改進信息檢索過程中計算查詢與問題之間相似度的算法。相比于傳統的 FAQ 檢索模型,他們首次將用戶查詢(q)與常問問題(Q)之間的相關性以及查詢問題(q)與答案(A)之間的相關性綜合地納入評測系統的標準中。以往的檢索模型都只能使用 q 與 QA 對之間具有相關性標簽的數據集,只因其具有代表性特征,能反應系統檢索信息時的總體性能指標。而實際在構造這些標記數據的過程中需要投入大量資源,其結果往往不能達到預期的設想,他們的方法不僅有效地解決了這一通病,而且顯示了給定 q 的 FAQ 答案的合理性和創新性。因此論文利用 localgovFAQ(從地方政府常見問題解答頁面收集的質量檢查對)和 StackExchange(FAQ 的公開數據集)兩個數據集來訓練模型,最終使用 Bert 計算 q-A 的相關性,將排名較高的質量檢查對用作搜索結果,證明了給定 q 的 FAQ 將明顯提高問答系統中信息檢索模塊的檢索效率。

  基于Internet搜索引擎的自動問答系統在日常生活中普遍得到應用。像Baidu、Google、Bing 等搜索引擎,都有其完備的數據庫作支撐,將依靠網絡爬蟲得到的大數據信息通過網頁存儲到服務器中,用戶通過向服務器發送請求,訪問網頁鏈接的方式得到問題搜索的答案,這類系統往往并不能直接得到用戶最理想的答案,當然隨著人工智能和深度學習技術在其領域的廣泛應用,將數據庫中龐大的數據集進行模型訓練和深度學習之后,系統可以實現對用戶正確答案的范圍預測,極大地提高了檢索效率。

  Eric 在 2018 年設計出基于多搜索引擎和深度學習的自動問答機器人,系統目前已實現知識問答、閑聊、運價查詢等功能;诙嗨阉饕媸菫榱说玫叫畔⒏娴恼Z料庫,利用搜索引擎固有的技術框架對獲取的信息進行初步篩選和統一格式化管理;谏疃葘W習是為了訓練出能從數據量龐大的語料庫中快速選取正確答案的模型。首先作者利用網絡爬蟲技術從百度、谷歌、雅虎、微軟、阿里巴巴五大搜索引擎中收集語料信息,然后將這些資源統一整理構建問答對組成語料庫,并將語料庫的后續操作分為訓練集、開發集和測試集三個部分。其次作者在訓練系統時將候選答案集從語料庫中抽取出來,通過把所有答案存放到多個向量空間中實現分組分類的功能,通過在語料庫中采集樣本,收集每個問題對應的 500 個答案集合,隨機挑選出一些負向樣本存放在集合中以突出正向樣本的作用。最后作者利用 CNN 卷積神經網絡[28]對文本序列的全局信息進行問題和候選答案的 cos 距離計算,距離越小則相似度越大,以此實現對正確答案的預測。

  同時百度在今年 7 月的 AI 開發者大會上開源了首個工業級基于語義計算的FAQ 問答系統 AnyQ,針對 FAQ 問答的各種技術難題給出了高效的解決方案。

  首先在框架設計方面,AnyQ 采用配置化和插件化的方式,其所有功能都是以插件形式進行配置,如 Question 分析方法、檢索方式、匹配相似度、排序方式等。

  以相似度計算為例,包括字面匹配相似度 Cosine[29]、Jaccard[30]、BM25[31] 等,同時包含了語義匹配相似度。AnyQ 系統的配置化和插件化設計,使用戶可以自主配置選擇系統的功能,此外,用戶也可根據場景需求便捷地將定制化的功能加入系統,實現了系統的靈活性和多樣性。其次在信息檢索方面,與基于倒排索引的 FAQ 問答系統相比,AnyQ 采用了語義檢索技術,將用戶問題和 FAQ 集合的相似問題通過深度神經網絡映射到語義表示空間的臨近位置,檢索時,系統通過高速向量索引技術對相似問題進行檢索。再者在問題相似度算法方面,AnyQ使用 SimNet 語義匹配模型構建文本語義相似度,其中系統包含一個基于百度海量搜索數據訓練的 SimNet-BOW 模型[32],在一些真實的 FAQ 問答數據集上,該模型效果相比基于字面的相似度方法 AUC 提升 5% 以上,有效解決特定領域由于標注數據少而無法訓練出準確語義匹配模型的問題。

  綜上所述,如今常見的問答交互系統是將自然語言處理、統計機器學習和深度學習相結合的產物。

  第 2 章 問答交互系統的相關技術和算法

  2.1 語音壓縮算法

  2.2 網絡爬蟲技術

  2.2.1 資源爬取

  2.2.2 資源處理

  2.3 句子相似度算法

  2.4 答案提取算法

  第 3 章 系統的設計

  3.1 系統的硬件設計

  3.2 系統的軟件設計

  3.2.1 語音訓練和識別

  3.2.2 正確答案提取

  3.3 系統的工作原理

  3.4 系統軟、硬件交互的實現

  第 4 章 系統的功能實現

  4.1 系統環境

  4.2 系統應用實驗

  4.2.1 實驗過程

  4.2.2 數據分析和總結

第 5 章 總結與展望

  本文研究了一種基于 SPCE061A 單片機的語音問答交互裝置。目前還處于應用測試階段,該系統涉及醫療領域心血管外科的常見疾病,在日常生活中,當用戶以自然語言的方式向系統詢問相關疾病的情況和用藥時,系統便會快速以語音的方式提供給用戶準確、專業的答復。期間免除了用戶自身對問題信息的檢索過程,同時以底層建立的知識庫作為數據支撐,返回給用戶置信度最高的答案,極大地提高了以用戶真實意圖為目的的檢索效率,達到最理想的人機交互狀態。

  該裝置可應用于各大藥房、醫院以及疾病康復中心,方便于用戶或患者了解疾病的基本信息,同時提供相關疾病的用藥建議供用戶參考。

  本文針對問答系統在醫療領域的研究提供了良好的解決方案,較于傳統關鍵字檢索的問答系統,該系統的優勢和創新性主要體現在以下幾點:

  1、研發了一種新型"尋醫問藥"語音問答交互裝置,為用戶答疑解惑。 2、相對基于互聯網搜索引擎的開放式領域檢索,該問答系統可以應用領域知識提高問題分析和答案抽取的準確率。

  3、該系統建立了一個離線、相對完備的知識庫,可以滿足用戶在尋醫問藥時所涉及的大部分問答需求且識別速度較快。

  該系統功能的實現主要依靠相關算法的軟件設計,因此算法的優化在應用后期就顯得格外重要,然而系統仍存在些許不足,主要體現在系統的語音識別部 分是針對特定人而言。本文通過前期的語音訓練形成特定人的語音模型,當系統要識別出非特定人的語音時都要先進行一到兩次的語音訓練,這樣在實際運用中會顯得操作繁瑣而不夠智能化;谙到y的不足之處,還望在往后的不斷學習中取得改善,可以通過向老師和專家請教、利用網絡各種學習資源、參與公司或科研團隊項目等途徑來提高自身的能力,我相信通過堅持不懈地努力,一定能夠研究出一種應用于醫療領域的在線、知識庫全面的智能問答交互裝置。目前語音識別技術已經相當得成熟,也成功地應用于人們的各類生活場景,其中最受矚目的還是智能機器人,它不僅能完成各種復雜的動作和知識問答,還能利用機器學習來豐富自身的技能。這樣智能化的設備將很大程度上提高生產效率和生活質量,當然這也是我將來為之奮斗的目標和方向,未來將是科技改變生活的時代!

致謝

  三年的研究生生涯即將結束,期間的校園生活充滿了溫暖和快樂。在這里我要感謝老師們的悉心指導、家人們的傾力支持和同學們的真誠相待使我度過了這段充實的大學歲月。

  首先,我要特別感謝我的導師。導師為人謙和,平易近人,給我的學習和生活提供了很大的幫助。每當我在學習和生活中有困難時,都將第一時間地尋求導 師的幫助,而導師也會第一時間地給我提供幫助;每當我犯錯時,導師也會耐心地幫我分析問題的原因,并要求我進行深刻的自我反省。我的論文也是在導師悉心指導下完成的,從論文選題到寫作,導師都給予了細心指導,幫助我分析和梳理論文的思路;在我初稿完成之后,又在百忙之中抽出時間對我的論文進行修改把關,給我提出很多建設性的指導意見,使我能順利的完成論文。導師嚴肅的科學態度、嚴謹的治學精神和精益求精的工作作風將影響和激勵我的一生,他對我的關心和教誨我將永遠銘記于心。借此機會,我謹向導師致以深深地謝意。

  其次,我還要感謝本學院所有專業課的授課老師,正是因為有了他們嚴格、無私、高質量的教導,我才能在這三年的學習過程中汲取專業知識和迅速提升能力,從而為論文的寫作打下扎實的理論基礎;我還要感謝這三年來與我共同學習與生活的學院 17 級的同班同學們,衷心地感謝他們在學習上和生活中給予我的鼓勵和幫助,愿友誼長存!

  與此同時,我要感謝我的父母。他們永遠是我生活中堅強的后盾,是他們的無私付出讓我能順利地完成碩士學業。最后,我還想對在百忙之中評審這篇論文的各位專家教授致以誠摯的謝意!

  主要參考文獻

  [1] Dang H T, Kelly D, Lin J J. Overview of the TREC 2007 Question Answering Track[C].TREC,2007,7:63.

  [2] CuiH, Kan M Y, Chua T S. Soft pattern matching models for definitional question answering.

  ACM Trans Inf Syst(TOIS)[J]. Acm Transaction son Information Systems,2007,25(2):107~108.

  [3] Wang M, Smith N A, Mitamura T. What is the Jeopardy model? A quasi-synchronous grammar

  for QA[C]. Proceedings of the 2007 Joint Conference on Empirical Methods in Natural Language

  Processing and Computational Natural Language Learning,2007:22~32.

  [4] Bollacker K D, Evans C, Paritosh P, et al. Freebase:a collaboratively created graph database for

  structuring human knowledge[C]. Sigmod Conference.ACM,2008.

  [5] Yang Y, Yih W, Meek C. Wikiqa:a challenge dataset for open-domain question answering[C].

  Proceedings of the 2015 conference on empirical methods in natural language processing,2015:2013~2018.

  [6] Feng M, Xiang B, Glass M R, et al. Applying deep learning to answer selection:A study and an

  open task[C]. 2015 IEEE Workshop on Automatic Speech Recognition and Understanding(ASRU)。 IEEE,2015:813~820.

  [7] Tapaswi M, Zhu Y, Stiefelhagen R, et al. Movieqa:Understanding stories in movies through

  question-answering[C]. Proceedings of the IEEE conference on computer vision and patternrecognition,2016:4631~4640.

  [8] Yih W T, Chang M W, Meek C, et al. Question Answering Using Enhanced Lexical Semantic

  Models[C]. Meeting of the Association for Computational Linguistics,2013.

  [9] Yadav V, Sharp R, Surdeanu M. Sanity Check:a Strong Alignment and Information RetrievalBaseline for Question Answering[J],2018.

  [10] 申晨。 中草藥問答系統的設計與實現[D]. 浙江大學,2014.

  [11] Pennington J, Socher R, Manning C. Glove: Global Vectors for Word Representation[C].

  Conference on Empirical Methods in Natural Language Processing,2014.

  [12] Katz B, Borchardt G C, Fdshin S. Natural Language Annotations for Question Answering[C].

  FLAIRS Conference,2006:303~306.

  [13] Yu L, Hermann K M, Blunsom P, et al. Deep learning for answer sentence selection[J]. ArXiv

  preprint arXiv 2014:1412~1632.

  [14] Severyn A, Moschitti A. Learning to Rank Short Text Pairs with Convolutional Deep Neural

  Networks[C]. The 38th International ACM SIGIR Conference.ACM,2015.

  [15] Tan M, Santos C D, Xiang B, et al. Improved Representation Learning for Question Answer

  Matching[C]. Proceedings of the 54th Annual Meeting of the Association for Computational

  Linguistics (Volume 1:Long Papers),2016.

  [16] Yang L, Ai Q, Guo J, et al. ANMM:Ranking Short Answer Texts with Attention-Based Neural

  Matching Model[C]. The 25th ACM International.ACM,2016.

  [17] Frank A, Krieger H U, Xu F, et al. Question answering from structured knowledge resources[J].

  Journal of Applied Logic,2007,5(1):20~48.

  [18] Liu K, Zhao J, He S, et al. Question Answering over Knowledge Bases[J].Intelligent SystemsIEEE,2015,30(5):26~35.

  [19] Fader A, Zettlemoyer L, Etzioni O. Open question answering over curated and extracted

  knowledge bases[C]. Proceedings of the 20th ACM SIGKDD international conference of

  Knowledge discovery and data mining.ACM,2014:1156~1165.

  [20] Cui W, Xiao Y, Wang H, et al. KBQA:learning question answering over QA corpora and

  knowledge bases[J]. ArXiv preprint arXiv2019:1903~2419.

  [21] Dong L, Wei F, Zhou M, et al. Question answering over freebase with multi-column

  convolutional neural networks[C]. Proceedings of the 53rd Annual Meeting of the Association

  for Computational Linguistics and the 7th International Joint Conference on Natural Language

  Processing (Volume 1:Long Papers)。2015:260~269.

  [22] Devlin J, Chang M W, Lee K, et al. Bert:Pre-training of deep bidirectional transformers for

  language understanding[J]. ArXiv preprint arXiv2018:1810~4805.

  [23] Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]. Advances in neural

  information processing systems.2017:5998~6008.

  [24] Garg S, Vu T, Moschitti A. Tanda:Transfer and adapt pre-trained transformer models for answer

  sentence selection[J]. ArXiv preprint arXiv2019:1911~4118.

  [25] He H, Lin J. Pairwise word interaction modeling with deep neural networks for semantic

  similarity measurement[C]. Proceedings of the 2016 Conference of the North American

  Chapter of the Association for Computational Linguistics:Human Language Technologies.2016:937~948.

  [26] Wang B, Liu K, Zhao J. Inner attention based recurrent neural networks for answerselection[C].

  Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics

 。╒olume 1:Long Papers)。 2016:1288~1297.

  [27] Chakraborty N, Lukovnikov D, Maheshwari G, et al. Introduction to neural network based

  approaches for question answering over knowledge graphs[J]. ArXiv preprintarXiv2019:1907~1936.

  [28] Zhang D, Lee W S. Question classification using support vector machines[C]. International

  Acm Sigir Conference on Research&Development in Informaion Retrieval,2003:26~32.

  [29] Bae K, Ko Y.An effective category classication method based on a language model for question

  category recommendation on a cQA service[C]. Proceedings of the 21st ACM international

  conference on Information and knowledge management. ACM,2012:2255~2258.

  [30] Huang Z H, Thint M, Qin Z. Question classification using head words and their hypernyms[C].

  Proceedings of the Conference on Empirical Methods in Natural Language Processing.

  Association for Computational Linguistics,2008:927~936.

  [31] Zhang Y, Liu K, He S, et al. Question Answering over Knowledge Base with Neural Attention

  Combining Global Knowledge Information[J]. 2016(2):1533~1569.

  [32] Berant J, Chou A, Frostig R, et al. Semantic parsing on freebase from question-answer pairs[C].

  Proceedings of the 2013 conference on empirical methods in natural language processing.2013:1533~1544.

  [33] 牛彥清, 陳俊杰, 段利國, 等。 中文問句分類特征的研究[J]. 計算機應用與軟件,2012,29(3):108~111.

  [34] Phan X H, Nguyen L M, Horiguchi S. Learning of classify short and sparsey text&web with

  hidden topics from large-scale data collections[C]. Proceedings of the 17th internationalconference on World Wide Web.ACM,2008:91~100.

  [35] 霍延冬, 王康平, 張東狐, 等。 一種基于 WordNet 的短文本語義相似性算法[J]. 電子學報, 2012,40(3):617~620.

  [36] Liang P, Jordan M I, Dan K. Learning Dependency-Based Compositional Semantics[J].

  Computational Linguistics,2011,39(2):89~446.

  [37] Zettlemoyer L S, Collins M. Learning to Map Sentences to Logical Form:structured

  Classification with Probabilstic Categorial Grammars[J]. Eprint Arxiv,2012:658~666.

  [38] Wong Y W, Mooney R J. Learning Synchronous Grammars for Semantic Parsing with Lambda

  Calculus[J]. Annual Meeting,2007,960~967.

  [39] Yih W, Chang M W, He X et al. Semantic parsing via staged query graphgeneration: Question

  answering with knowledge base[C]. Association for Computational Linguistics(ACL),2015.

  [40] Bordes A, Weston J, Usimier N. Open Question Answering with Weakly Supervised

  Embedding Models[M]. Machine Learning and Knowledge Discovery in Databases. SpringerBerlin Heidelberg,2014:165~180.

 

(如您需要查看本篇畢業設計全文,請您聯系客服索。

相關內容
相關標簽:單片機畢業設計
好優論文定制中心主要為您提供代做畢業設計及各專業畢業論文寫作輔導服務。 網站地圖
所有論文、資料均源于網上的共享資源以及一些期刊雜志,所有論文僅免費供網友間相互學習交流之用,請特別注意勿做其他非法用途。
如有侵犯您的版權或其他有損您利益的行為,請聯系指出,論文定制中心會立即進行改正或刪除有關內容!
欧美国产伦久久久久久久
<acronym id="cqmsy"></acronym>
<acronym id="cqmsy"><center id="cqmsy"></center></acronym>