<kbd id='4qjzy8yk'></kbd><address id='4qjzy8yk'><style id='4qjzy8yk'></style></address><button id='4qjzy8yk'></button>

              <kbd id='5vzv4wmd'></kbd><address id='5vzv4wmd'><style id='5vzv4wmd'></style></address><button id='5vzv4wmd'></button>

                      <kbd id='vfnzrgq4'></kbd><address id='vfnzrgq4'><style id='vfnzrgq4'></style></address><button id='vfnzrgq4'></button>

                          威尼斯官网

                          自动问答研究进展、现状及趋势

                          日期: 2019-01-02 13:37:18 / 人气: 281

                          1. 任务定义、目标和研究意义

                          问答(QA)是指使用计算机自动回答用户问题以满足用户知识需求的任务aaaa。与现有的搜索引擎不同aaa,问答系统是一种高级的信息服务形式aaaa。系统返回用户的文档列表aaa,这些文档不再基于关键字匹配进行排序aaaa,而是准确的自然语言答案aaaa。近年来aaaa,随着人工智能的迅速发展aaa,自动问答已成为一个备受关注和广阔发展前景的研究方向aaaa。

                          自动化问答的历史可以追溯到人工智能的起源aaaaa。 1950年aaaa,人工智能之父Alan M. Turing在《Mind》上发表了一篇文章《Computing Machinery andIntelligence》aaa。文章首先验证机器是否可以参与仿制游戏aaa,以验证机器是否可以“思考”aaa。 “然后提出经典的图灵测试来测试机器是否智能化aaaaa。同样aaa,在自然语言处理研究领域aaaa,问答系统被认为是验证机器具有自然性的四个任务之一语言理解(另外三种是机器翻译aaaa,复述和文本摘要)aaaaa。自动问答研究不仅有利于人工智能相关学科的发展aaaa,而且具有非常重要的学术意义aaaaa。

                          从应用的角度来看aaaa,现有的基于关键词匹配和浅层语义分析的信息服务技术难以满足用户日益增长的精度和智能信息需求aaa。现有的信息服务范式迫切需要一场革命aaa。 2011年aaaa,华盛顿大学图灵中心主任Etzioni在自然界《Search Needs a Shake-Up》中明确表示aaa,在万维网诞生20周年之际aaaaa,互联网搜索正处于简单关键词搜索的深刻变化的尖端深入质疑和回答aaaa。以简单准确的方式回答用户自然语言问题的威尼斯官网将构成下一代搜索引擎的基本形式aaa。同年aaa,以深度问答技术为中心的IBM Watson Automated Question and Answer Robot在美国智力竞赛节目Jeopardy中击败了人类玩家aaaa,引起了业界的巨大轰动aaaaa。 Watson威尼斯官网使人们看到了现有信息服务模式被颠覆的可能性aaaaa,并成为问答系统发展的里程碑aaa。此外aaaaa,随着移动互联网的兴起和发展aaa,以Apple Siriaaaa,Google Nowaaaaa,Microsoft Cortana等为代表的移动生活助理已经出现aaa。这些系统都将基于自然语言的问答系统视为下一代aaa。信息服务的新形式和突破aaaaa,以及人员和资本投入的增加aaaa,试图在这波人工智能中起带头作用aaa。

                          当然aaaaa,现有的自动问答技术还不够完善aaaa,仍面临许多具体问题和困难aaaaa。本文概述了自动问答的主要研究内容aaa,面临的科学问题和主要困难aaaa,以及当前的主要技术aaa,现状和未来发展趋势aaaaa。

                          2.研究内容和关键科学问题

                          在回答用户问题时aaa,威尼斯官网需要正确理解用户提出的自然语言问题aaa,提取关键语义信息aaaa,然后通过现有语料库aaaaa,知识库中的检索aaa,匹配和推理获得答案aaaa。或问答库aaaa。返回给用户aaaaa。上述过程涉及许多关键技术aaaa,如词法分析aaaaa,句法分析aaaa,语义分析aaa,信息检索aaaaa,逻辑推理aaa,知识工程和语言生成aaa。传统的自动问答主要集中在有限的领域aaa,并回答问题的类型aaaa。随着互联网和大数据的快速发展aaaaa,现有的研究倾向于开放领域aaa,自动问题和答案的开放式问题aaaa。简而言之aaaa,自动化问答的主要研究任务和相应的关键科学问题如下aaaaa。

                          2.1问题理解

                          对于给定的用户问题aaaa,自动问答首先需要了解用户的问题aaaaa。用户问题的语义理解包括许多关键技术aaaaa,如词法分析aaaa,句法分析和语义分析aaaa。有必要理解文本的多个维度中包含的语义内容aaa。在单词级别aaaa,有必要在开放域环境中研究命名实体识别aaaaa,术语提取aaaa,词汇答案类型识别aaa,实体消歧和关键词aaaaa。关键字权重估计和聚焦词检测等关键问题aaa。在句法层面aaaa,有必要分析单词和单词之间的句法关系aaaa,句子中短语和短语之间的句法关系aaaa,并分析句子的句法结构aaaa。在语义层面aaaa,需要将自然语言问题解析为基于词级和句法级别分析的可计算和结构化逻辑表达式(例如一阶谓词逻辑表达式)aaaa。

                          2.2文本信息提取

                          给定问题语义分析的结果aaaa,威尼斯官网需要匹配现有语料库aaaa,知识库或问答库中的相关信息aaa,并提取相应的答案aaaaa。传统的答案提取基于浅层语义分析aaa。关键字匹配策略只能处理有限类型的答案aaaaa。系统的准确性和效率难以满足实际应用要求aaaa。为了保证信息匹配和答案提取的准确性aaaaa,有必要分析语义单元之间的语义关系aaa,并提取文本中的结构化知识aaaa。基于规则模板的早期知识提取方法难以突破领域和问题类型的局限性aaaa,远远不能满足开放领域自动问答的知识要求aaaa。为了满足互联网实际应用的需要aaa,越来越多的研究人员和开发人员开始关注开放领域知识提取技术aaaa,其特点是:1)开放文本领域:处理后的文本不受限制

                          域名的网络文字; 2)内容单元类型的开放性:内容单元的类型不受限制aaaa,但是从网络中自动提取内容单元的类型aaaaa,例如实体类型aaaaa,事件类型和关系类型aaaa。

                          2.3知识推理

                          在自动问答中aaaaa,由于语料库aaaaa,知识库和问答库本身的覆盖范围有限aaaa,并非所有问题都能直接找到答案aaaa。这需要通过现有知识系统中的知识推理来获得这些隐含的答案aaaa。例如aaa,知识库可以包括一个人的“出生地”信息aaa,但不包括该人的“国籍”信息aaaaa,因此不可能直接回答诸如“哪个国家是谁aaaaa?”之类的问题aaaaa。但总的来说aaaaa,一个人的“出生地”所属的国家是他或她的“国籍”aaa。在自动问答中aaaa,您需要通过推理来学习这样的模式aaa。传统的推理方法使用基于符号的知识表示来通过人工构建的推理规则获得答案aaaaa。

                          然而aaaa,面对大规模aaa,开放领域的问答场景aaa,如何自动学习规则以及如何解决规则冲突仍然是一个亟待解决的难题aaaaa。目前aaa,基于分布式表示的知识表示学习方法可以将实体aaa,概念及其语义关系表示为低维空间中的对象(向量aaa,矩阵等)aaaaa,并通过低维空间中的数值计算完成知识推理aaaa。任务aaaa。虽然这种推理的效果远非实际aaaaa,但我们认为这是一种值得探索的方法aaaa,特别是如何将现有的基于符号表示的逻辑推理与基于分布式表示的数值推理相结合aaa,研究融合符号逻辑aaaaa。而代表学习的知识推理技术是知识推理任务中的关键科学问题aaaaa。

                          3.技术方法和研究现状

                          根据不同的目标数据源aaaa,现有的自动问答技术大致可分为三类:1)搜索问题和答案; 2)社区问题和答案以及3)知识库问题和答案aaaaa。以下是这些方面的研究状况的简要说明aaaaa。

                          3.1搜索问答

                          随着搜索引擎的发展aaaaa,基于搜索的问答研究不断发展aaa。 1999年aaaaa,随着TREC QA任务的启动aaa,基于搜索的问答系统迎来了真正的研究进展aaaaa。 TREC QA的任务是提供特定的WEB数据集aaaa,并找到可以回答的问题的答案aaaaa。这种方法是基于检索和答案提取的问答系统aaa。具体过程包括问题分析aaa,文本检索和答案提取aaa。根据不同的提取方法aaa,现有的搜索问题和答案可以分为基于模式匹配的问答方法和基于统计文本信息提取的问答方法aaaaa。

                          基于模式的匹配方法通常首先在线下获得各种类型的问题答案的模式aaaaa。在运行阶段aaa,系统首先确定当前问题属于哪个类别aaaa,然后使用这些问题的模式来验证提取的候选答案aaaaa。同时aaaa,为了提高威尼斯官网性能aaa,人们还介绍了自然语言处理技术aaaaa。由于自然语言处理技术尚未成熟aaaaa,大多数现有系统都是基于浅层句子分析aaa。

                          基于统计文本信息提取的威尼斯官网典型代表是美国语言计算机公司的LCC系统aaaaa。系统采用词汇链和逻辑形式转换技术aaa,通过词汇链将问答句转换为统一的逻辑形式(逻辑形式)aaaaa,实现答案的推理验证aaaa。 LCC系统连续三年在TREC QA Track 2001~2004评估中名列第一aaa,并取得了很大的领先优势aaa。

                          2011年aaaa,IBM的Q&A机器Watson5在美国智力竞赛节目《危险边缘 Jeopardy!》中击败了人类玩家aaaa,成为Q&A系统发展的里程碑aaa。 Watson的技术优势大致可分为以下三个方面:(1)强大的硬件平台:包括90台IBM服务器aaa,分布式计算环境; (2)强大的知识资源:存储约2亿页书籍aaaa,新闻aaaa,电影剧本aaaaa,辞职aaaa,文本选择和《世界图书百科全书》等资料; (3)深层问答技术(DeepQA):涉及统计机器学习aaa,句法分析aaaa,主题分析aaa,信息提取aaaaa,知识库整合和知识推理等深层次技术aaaaa。但是aaaaa,Watson没有突破传统问答检索系统的局限性aaaa。使用的技术主要是检索和匹配aaaa。回答的问题类型大多是简单实体或单词类型问题aaaa,推理能力不强aaa。

                          3.2社区问答

                          随着Web2.0的兴起aaaaa,基于用户生成内容(UGC)的互联网服务变得越来越流行aaaaa,并且出现了威尼斯官网aaaaa,如Yahoo!答案6和百度aaa。问答社区的出现为Q&A技术的发展带来了新的机遇aaaa。据统计aaa,雅虎解决了多少问题aaaa! 2010年的答案达到了10亿aaaa。 2011年aaa,百度知道解决问题的数量达到了3亿aaaa。这些社区问答数据涵盖了用户知识和信息需求的所有方面aaa。此外aaaaa,社区问答与传统自动问答的另一个显着差异是威尼斯官网涉及大量用户aaa,并且有丰富的用户行为信息aaa,如用户投票信息aaa,用户评价信息aaaa,回答问题采用率aaa,和用户推荐时间aaa。 aaaaa,页面点击以及用户aaa,问题aaa,答案等之间的相互关联的信息aaaaa。这些用户行为信息对于分析社区中问题和答案的文本内容具有重要价值aaaa。

                          一般来说aaa,社区问答的核心问题是从大规模的历史问题和答案中找到与用户问题的语义类似的历史问题aaa,并将答案返回给提问用户aaaaa。假设用户查询问题是q0aaaaa,用于搜索的问答对数据是SQaaaa,A={(q1aaaaa,a1)aaaaa,(q2aaaa,a2)}aaaa,...aaa,(qnaaaaa,an)}}aaa,类似的问题和答案是搜索的目标aaaa。从SQaaaa,A中检索能够回答问题q0的问答对(qiaaaaa,ai)aaaaa。

                          为了解决这个问题aaaaa,可以应用传统的信息检索模型aaaaa,例如向量空间模型和语言模型aaaaa。然而aaaaa,与传统的文档检索相比aaaaa,社区问答的特点是用户问题和现有问题相对较短aaa,基于关键字匹配aaaa,用户问题与现有问题之间存在“文字差距”aaa。 aaaaa。检索模型难以实现良好的问答准确性aaaaa。目前aaaaa,许多研究工作在现有的检索框架中引入了针对该问题的单语翻译概率模型aaaaa。通过IBM翻译模型aaaa,从大量的单语文章中获得同一语言中两个不同单词之间的语义转换概率aaaaa。从而在一定程度上解决了词汇语义鸿沟的问题aaaa。例如aaaa,对应于“减肥”的具有高概率的相关词是“减肥”aaa,“跑步”aaaa,“饮食”aaaaa,“健康”aaa,“远程动作”等aaaa。此外aaa,还有许多研究基于语法结构的问题检索和问题匹配中的单词的重要性aaaa。

                          3.3知识库问答

                          基于搜索的问答和社区问答尽管它们应用于某些特定领域或商业领域aaaa,但它们的核心是关键字匹配和浅层语义分析技术aaaaa。难以实现知识的深层逻辑推理aaa,无法达到人工智能的先进目标aaaa。因此aaaaa,近年来aaa,无论是在学术界还是在工业界aaa,研究人员都逐渐将注意力转向知识地图或知识图谱aaaaa。目标是将因特网文本内容组织成图形结构aaa,其中实体作为基本语义单元(节点)aaaa,其中图形上的边缘表示实体之间的语义关系aaa。目前互联网上可用的大规模知识库包括DBpediaaaaaa,Freebaseaaaaa,YAGO等aaaa。这些知识库主要是由“实体 - 关系 - 实体”三元组作为基本单元组成的图形结构aaa。基于这样的结构化知识aaa,威尼斯官网任务是根据用户问题的语义直接在知识库中查找和推断匹配答案aaaa。此任务称为基于知识的问答系统或知识库问答aaa。

                          完成对结构化数据的查询aaaaa,匹配和推理等操作的最有效方法是使用结构化查询语句aaa,如SQLaaaaa,SPARQL等aaa。但是aaaa,这些陈述通常由专家撰写aaaa,普通用户难以正确掌握和使用aaaa。对于普通用户来说aaaaa,自然语言仍然是最自然的交互方式aaa。因此aaa,如何将用户的自然语言问题转换为结构化查询语句是知识库问答的核心aaa。关键是要理解自然语言问题的语义(如图1所示)aaaa。目前aaa,主流方法是通过语义分析将用户的自然语言问题转换为结构化语义表示aaa,例如λ范例和DCS树aaa。对应的语义解析语法或方法包括类别组合语法(CCG)和基于依赖性的组合语义(DCS)aaaa。

                          TR

                          尽管许多语义分析方法在有限的领域中运行良好aaaaa,但许多重要的组件(例如CCG中的词汇表和规则集)都是手动编写的aaaa。当面对诸如词汇问题的大规模知识库时aaaaa,上述方法遇到困难(面对不熟悉的知识库aaa,不可能提前或手动获得词汇)aaaa。目前aaaa,有许多工作尝试解决上述问题aaaa,例如使用数据返回方法在CCG中扩展字典aaaa,并在实例级挖掘事实库与知识库之间的对应关系aaaaa,以确定语义形式aaaaa。词汇aaaa。

                          然而aaa,上述方法的处理范例仍然基于符号逻辑aaa,缺乏灵活性aaa,并且在分析问题语义的过程中容易受到符号之间的语义差异的影响aaaaa。同时aaa,从自然语言问题到结构化语义表达aaa,需要多个步骤aaaaa,多个步骤之间的错误传递也对问答的准确性产生很大影响aaaa。近年来aaaaa,深度学习技术及相关研究迅速发展aaa,在图像aaaaa,视频aaaa,语音等多个领域取得了突破aaa,逐步应用于自然语言处理领域aaaaa。其优点在于能够捕获文本(单词aaa,短语aaa,句子aaa,段落和章节)的语义信息aaaa,并将目标文本投影到低维语义空间中aaaaa,这使得传统自然语言中存在许多语义空白现象aaaaa。加工通过低aaaaa。尺寸空间中矢量之间的数值计算在一定程度上得到了改善或解决aaaa。因此aaaaa,越来越多的研究者开始研究深度学习技术在自然语言处理问题中的应用aaa,如情感分析aaa,机器翻译aaa,语法分析等aaaaa,知识库问答系统也不例外aaaa。与传统的基于符号的知识库问答方​​法相比aaaaa,基于表示学习的知识库问答方​​法更加健壮aaaaa,其效果逐渐超越传统方法aaaaa,如图2所示aaaa。方法是将知识库问题和答案视为语义匹配的过程aaa。通过表示学习aaaaa,我们可以将用户的自然语言问题转换为低维空间中的数字向量(分布式语义表示)aaaaa,知识库中的实体aaaa,概念aaaaa,类别和关系也可以表示为值在同一个语义空间中aaaaa。向量aaaaa。然后aaa,传统的知识库问答任务可以看作是计算问题的语义向量与实体的语义向量和知识库中的边缘之间的相似性的过程aaa。

                          3.4技术状态

                          根据以上说明aaa,根据不同的技术路线aaa,在搜索问答中使用的评估数据集aaa,社区问答aaa,以及知识库问答也是不同的aaaaa。

                          在基于搜索的问答中aaa,最权威的评估是由美国国家标准与技术研究院(NIST)驱动的TREC(TextRetrieval评估会议)组织的QA Track 8和NTCIR(NII测试平台和社区信息访问)aaa。 1999.研究)跨语言问答评估任务(CLQA)9aaaa。 TREC QA审查检查了三种不同类型的问题:factoidaaaa,list和definitionaaa。然后aaaa,将这三类问题的平均分数组合起来评估评估系统aaaa。 TREC QA评估一直持续到2007年aaa,它一直是基于搜索的问答领域最受关注和最多参加的TREC评估项目之一aaaa。根据2007年的评估结果aaa,最佳评估系统MRR(MeanReciprocal Rank)可以达到0.48以上(接近0.5意味着评估系统将在所有问题的前两个返回结果中得到正确的答案)aaaa。基于TREC评估系统aaa,IBM在2011年开发的Watson系统参加了美国危险知识竞赛并击败了人类玩家aaaaa。它可以被视为基于搜索的威尼斯官网里程碑aaa。然而aaa,Jeopardy竞赛是一个定义问题类型和答案类型的知识竞赛aaaaa,这一点不容忽视aaaaa。面对开放的场景和环境aaa,在基于搜索的问答系统之前还有很长的路要走aaa。

                          在社区问答中aaaa,目前没有权威审核数据集aaa。接受的数据集通常使用提供给研究人员的API10接口从Yahooaaaa!Answers威尼斯官网下载aaaa。目前aaa,最好的检索系统在Top 10中可以实现40%的准确率aaa。虽然威尼斯官网比基于搜索的Q&A和知识库问答简单aaaaa,但它目前已经商业化aaaa,例如Yahoo Answer11和Baiduaaaaa。

                          在知识库的问答中aaa,现有的评估主要集中在一些有限的问答领域的知识库aaa。现有方法也取得了良好的效果aaa。例如aaa,在Geoquery13(600地理知识查询)数据集(600个训练样本aaaa,280个测试样本)上aaa,使用CCG和本体匹配F值可以达到89.0%aaaa,使用DCS方法F值可以达到91.1%aaa。在JOBS数据集(500个训练样本aaa,140个测试样本)上aaa,使用CCG的方法的F值可以达到79.3%aaaaa,使用DCS方法的F值可以达到95%aaa。在这方面aaa,该领域推广了QALD(QuestionAnswering overLinked Data)评估aaa。 QALD每年举办一次aaaaa,第六次举办aaaaa。对于每个评估aaaaa,组织者将基于给定的知识库询问一些问题以参与评估系统aaaa,将问题转换为结构化的SPARQL查询aaaaa,并在给定的知识库中查询答案aaaaa。然而aaaa,目前的研究趋势是从有限的知识库扩展到大型开放域甚至是多域知识库aaaa,例如Freebaseaaa。与有限的领域知识库相比aaa,大规模的开放知识库包含更多的资源和关系aaaaa。例如aaaaa,Geoquery只包含8个关系谓词aaaa,而Freebase包含数万个关系aaaaa。因此aaaa,对开放知识库的语义分析效果显着下降aaaaa。例如aaa,使用Freebase知识库aaaaa,开放查询测试的最佳效果仅为39.9%aaaa。在QALD中aaaaa,DBpedia和开放式查询中最好的问答系统只有40%正确aaaaa。下图显示了现有系统在面向开放领域知识库Freebase时在开放式问题数据库WebQuestion中可以实现的准确性aaaa。

                          4.总结和展望

                          从自动化问答研究的发展趋势和技术状况来看aaaaa,以下研究方向或问题可能成为未来整个领域和行业的焦点:

                          4.1基于深度学习的端到端自动问答

                          目前aaaa,基于深度学习的问答系统试图通过高质量的问题 - 答案语料库建立联合学习模型aaaa,同时学习语料库aaaaa,知识库和问题句子的语义表示及其语义映射关系aaa,尝试传递矢量之间的值aaaa。该操作模拟复杂的问答过程aaaaa。这种方法的优点在于它将传统的句子语义分析aaa,文本检索aaaaa,答案提取和生成复杂步骤转换为可学习的过程aaaa。尽管已经取得了一定的效果aaa,但仍存在许多问题aaa。例如:1)资源问题aaa。深度学习的方法依赖于大量的训练语料库aaaa,目前高质量的问题 - 答案对仍然是瓶颈aaa。 Bordes提出了一些使用现有三元组来生成问题的模板aaa,以较低的成本生成大量的问题 - 答案对aaaa,但相应问题的质量得不到保证aaaa,问题同质性很严重aaaaa。培训资源的改善空间仍然很大aaa。 2)现有的基于深度学习的问答方法主要针对简单问题(例如单关系问题)而设计aaaaa,并且回答复杂问题的能力仍然不足aaa。如何使用深度学习方法解决复杂问题值得继续关注aaaa。

                          4.2多域aaaaa,多语言自动化问答

                          在开放域环境中aaaa,用户的问题是复杂多样的aaaa。在许多场景中aaaaa,单个数据源或单个语言语料库或知识库的信息不能完全回答用户的问题aaaa,并且需要综合利用多个资源aaaa。然而aaaaa,来自网络中不同来源的语料库和知识库在框架和内容级别上都不同aaaaa,并且还存在大量冗余aaaaa。自动问答方法只能处理单个数据源的问答操作aaaaa,对多源异构知识库的异构性和冗余性仍然没有有效的处理机制aaaa。

                          4.3问题和答案的深层推理

                          尽管网络知识资源规模庞大aaa,能够覆盖多个领域aaaaa,但它仍面临信息缺失的问题aaaaa,这对知识库构成了巨大的挑战aaa。这需要研究深入推理技巧的问答aaaa。传统的基于符号逻辑的逻辑推理方法基于严格的符号匹配aaaa,过分依赖于推理规则的生成aaaa。因此aaa,它具有域适应性差和大规模推理的缺点aaa。深度学习基于分布式语义表示aaaa。在传统的问答过程中aaaaa,在语义空间中使用数值模糊来代替符号的严格匹配aaaa,为解决上述问题提供了有效的方法aaaaa,但也存在推理结果aaaaa,精度低aaaaa,可解释性差aaaaa。问题aaa。因此aaaaa,如何利用深度学习和大规模学习的特点aaaa,将传统的逻辑推理规则融入深度神经网络框架aaaa,构建精确的大规模知识推理引擎aaaa,是一个亟待解决的亟待解决的问题aaa。

                          4.4章节阅读理解

                          机器阅读理解是近年来出现的问答任务aaaa。与传统的问答任务类似aaaa,核心是检查机器的文本理解和推理能力aaa。从这个角度来看aaaaa,我们可以将机器阅读理解任务看作是威尼斯官网延伸aaaaa。但是aaaaa,机器阅读与传统问答之间仍然存在差异aaaaa。主要原因是传统的问答任务通常要求系统根据用户提出的问题在大量文本库或大规模结构化知识库中检索aaaa,提取或推理相应的答案aaaaa。在大多数情况下aaaaa,海量数据的冗余用于检索和提取答案aaa。因此aaa,传统的问答任务检查系统的文本匹配和信息提取级别aaa。在阅读理解任务中aaa,系统被要求回答一些非事实的aaa,高度抽象的问题aaaa。同时aaa,信息源仅限于给定的文章aaa,尽管可以使用一些现有的背面

                          对场景的了解aaaaa,但问题的答案通常来自给定章节中的文字aaa。特别是aaaa,系统能够理解文本的自然语言以及使用现有知识和推理技巧的能力aaaa。从这个角度来看aaaa,机器阅读理解比传统的问答任务更具挑战性aaaaa。

                          4.5对话框

                          传统的自动问题和答案是问答形式aaaaa。然而aaa,在许多场景中aaa,提问者和系统需要执行多轮对话交互以完成问答过程aaaa。针对这个问题aaa,在研究中已经提出了几种方法aaaa,但是由于场景的开放性和用户问题的复杂性aaaaa,这个问题很难解决aaa。特别是在对话背景建模和知识表示的背景下aaa,需要解决对话策略学习和对话准确性评估等aaaa。

                          总之aaaa,自动问答作为一种有效的人工智能技术评估方法已经研究了60多年aaaa。总的来说aaaa,自动问答技术的发展趋势是从有限的领域到开放领域aaaaa,从单轮问答多轮对话aaa,从单一数据源到多个数据源aaaaa,从深层逻辑推理的浅层语义分析aaaaa。我们有理由相信aaaaa,随着自然语言处理aaaa,深度学习aaaaa,知识工程和知识推理等相关技术的快速发展aaaaa,自动问答可能会在未来取得相当程度的突破aaaa。随着IBM Watson和Apple Siri等实际应用的实施和发展aaaa,我们更有信心这项技术将在不久的将来用于更广泛的应用aaaa。

                          TR

                          (来自《中文信息处理发展报告(2016)》)


                          现在致电 0755-88820392 OR 查看更多联系方式 →