融入本體的問題特征模型在中文問題分類中的研究.pdf

1、問答系統(tǒng)作為自然語言處理領域中的一個相當活躍的分支，所研究的內容就是理解用戶用自然語言提出的問題，進而在大規(guī)模的信息中自動地給出問題的準確答案。問答系統(tǒng)通常包括問題處理、信息檢索和答案抽取三個模塊，而在問題處理模塊中，問題分類又是其中的核心內容，問題分類不僅能有效地減少候選答案的空間，提高系統(tǒng)返回答案的準確率，而且它提供的答案類型信息決定了答案抽取策略。
　　 問題分類的首要任務是問題數(shù)據(jù)的數(shù)學表示，即選用合理的問題特征模型對問

2、題進行特征表示，而一個高性能的特征模型將對后續(xù)的問題分類具有非常重要的作用，因此本文重點對問題的特征模型進行了詳細的探討，在對相關技術進行全面學習和深入研究的基礎上，重點進行了以下幾方面的工作：
　　 1.本體是語義Web中解決語義層次上萬維網(wǎng)信息共享和交換的基礎。
　　 本文在深入研究本體技術的基礎上，利用protégé工具構建了一個實驗性質的大學領域本體知識庫(University Domain Ontology，U

3、DO)，作為中文問答系統(tǒng)在問題處理時應用的領域本體，旨在探索領域本體在中文問答系統(tǒng)中的作用。然后利用Jena 工具包對本體知識庫進行了解析，并按照樹型結構存儲到mysql 數(shù)據(jù)庫中，從而實現(xiàn)了OWL 到關系型數(shù)據(jù)庫的映射，為后續(xù)問題處理方面的研究奠定了基礎。
　　 2.深入研究了信息論中的信息熵理論和相關算法，提出了一種計算問題特征向量的權重的新策略。本文以大學領域本體知識庫UDO 為基礎，引入信息論中的信息熵概念，利用向量空間

4、模型中特征詞權重的信息熵算法并融合本體概念模型來構建問題的特征模型。
　　 3.支持向量機(Support Vector Machine，SVM)作為一種基于統(tǒng)計學習理論的新型機器學習方法，以其良好的分類性能受到廣泛關注，取得了豐碩的研究成果。它在解決小樣本、非線性及高維數(shù)等問題中表現(xiàn)出許多特有的優(yōu)勢。本文在分析、總結支持向量機的原理和多類分類方法的基礎之上，將其應用在中文問題分類中，驗證了本文提出的問題特征模型的有效性，并通過