基于深度学习的问题生成方法研究与实现

发布时间：2025-06-24 03:04

　　本文研究的课题是自然语言处理领域中,基于深度学习的无结构文本自动问题生成任务。相较于自然语言处理其他分支的任务而言,这个领域是一项更具挑战性的生成式任务。自动问题生成致力于从包含上下文的句子中提出问题,这其中包含问什么,怎么问这两个基本方面。相较而言,怎么问是本文更加关心的问题,毕竟问什么这个问题,可以有一个宽泛的基线。近年来关于神经网络为基础的方案都采用基于序列到序列的模型,使用答案和上下文句子作为输入,然后预测一个相关的问题作为结果。这样的模型有以下两方面的问题,首先生成问题的句子和问题的类型之间的匹配不尽如人意,另一方面如果模型复制上下文的词语离答案位置太远会导致语句的语义上存在瑕疵。针对以上问题,本文研究了一系列基于序列到序列的自动问题生成模型。尝试了包括多特征的输入算法模型的融合,并且在此基础上融合集成学习的优点来改进模型的表现,通过集成的方法得到更好的生成效果。问题生成领域方面新兴的研究越来越多,集成了越来越多的输入特征,以生成更复杂的高水平问题为目标,这些趋势表明问题生成已经变得越来越成熟。通过分析国内外对该任务的研究现状,本文研究的内容主要包括以下部分:(1)本论文提出了...

【文章页数】：85 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究工作的背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 问题生成的国内研究现状
        1.2.2 问题生成的国外研究现状
    1.3 本文的主要研究内容与创新
        1.3.1 本文的主要研究内容
        1.3.2 本文的创新点
    1.4 本论文的结构安排
第二章 问题生成的相关理论和技术介绍
    2.1 自然语言处理的方法研究
        2.1.1 基于规则的理性方法
        2.1.2 基于统计学习的经验方法
        2.1.3 混合方法
        2.1.4 NLP的难点
    2.2 Seq2Seq模型
        2.2.1 序列到序列模型介绍
        2.2.2 基于Seq2Seq模型的技术研究
    2.3 自动问题生成技术
        2.3.1 自动问题生成的相关概念
        2.3.2 基于语法规则和模板的问题生成
        2.3.3 基于序列模型的文本生成
    2.4 基于深度学习的NLP研究
        2.4.1 深度学习在NLP中的应用研究
        2.4.2 注意力机制在NLP中的应用
    2.5 本章小结
第三章 基于多模型融合的问题生成方法
    3.1 多模型融合的算法
        3.1.1 多模型融合算法的动机
        3.1.2 多模型融合算法的问题生成定义
        3.1.3 多模型融合算法的框架
    3.2 多模型融合算法详细描述
        3.2.1 基于GRU模型的问题生成
        3.2.2 基于自注意力编码器的问题生成模型
        3.2.3 模型融合的模块设计
        3.2.4 损失函数优化
    3.3 实现设计及结果分析
        3.3.1 数据集描述
        3.3.2 数据预处理
        3.3.3 评价指标及对比模型
        3.3.4 实验设置以及结果分析
    3.4 本章小结
第四章 基于集成学习的问题生成
    4.1 集成学习原理
        4.1.1 集成学习的思想
        4.1.2 集成学习的方法
    4.2 基于集成优化的问题生成算法
        4.2.1 基于集成学习的问题生成算法动机
        4.2.2 基于集成学习的问题生成框架
    4.3 基于集成优化的问题生成方法
        4.3.1 多模型参数优化
        4.3.2 预测结果的优化
        4.3.3 基模型的多样性
        4.3.4 数据多样性
    4.4 实验设置及结果分析
        4.4.1 实验设置
        4.4.2 模型参数平均的分析与比较
        4.4.3 实验结果分析与比较
    4.5 本章小结
第五章 全文总结与展望
    5.1 全文总结
    5.2 后续工作展望
致谢
参考文献
攻读硕士学位期间取得的成果



本文编号：4052395