为了提高复杂的跨领域任务场景下的问答效果,本研究提出了一种基于Transformer的双向编码器(bidirectional encoder representation from transformers,BERT)与关联规则相结合的技术,旨在克服单一模型在跨领域问答任务中的局限性。首先...为了提高复杂的跨领域任务场景下的问答效果,本研究提出了一种基于Transformer的双向编码器(bidirectional encoder representation from transformers,BERT)与关联规则相结合的技术,旨在克服单一模型在跨领域问答任务中的局限性。首先,本研究构建了智能问答系统的框架,包括数据预处理、特征编码、知识库构建、关联规则挖掘和答案生成等部分。其次,本研究深入分析了基于BERT的特征编码方法和基于关联规则的问答匹配方法。最后,利用MultiQA跨领域文本问答数据集对方法进行了测试。实验结果表明:该方法多项指标均表现良好,准确率、召回率、F1值分别达到了0.85、0.78和0.81。展开更多
文摘为了提高复杂的跨领域任务场景下的问答效果,本研究提出了一种基于Transformer的双向编码器(bidirectional encoder representation from transformers,BERT)与关联规则相结合的技术,旨在克服单一模型在跨领域问答任务中的局限性。首先,本研究构建了智能问答系统的框架,包括数据预处理、特征编码、知识库构建、关联规则挖掘和答案生成等部分。其次,本研究深入分析了基于BERT的特征编码方法和基于关联规则的问答匹配方法。最后,利用MultiQA跨领域文本问答数据集对方法进行了测试。实验结果表明:该方法多项指标均表现良好,准确率、召回率、F1值分别达到了0.85、0.78和0.81。
