[1]楼姣,马伟锋,季曹婷,等.基于语义共现与注意力网络的问题分类方法[J].浙江科技学院学报,2020,(04):264-271.
 Question classification method based on semantic co-occurrence and attention network[J].,2020,(04):264-271.
点击复制

基于语义共现与注意力网络的问题分类方法(/HTML)
分享到:

《浙江科技学院学报》[ISSN:1001-3733/CN:61-1062/R]

卷:
期数:
2020年04期
页码:
264-271
栏目:
出版日期:
2020-09-16

文章信息/Info

Title:
Question classification method based on semantic co-occurrence and attention network
文章编号:
1671-8798(2020)04-0264-08
作者:
楼姣马伟锋季曹婷马来宾
浙江科技学院 信息与电子工程学院,杭州 310023
Author(s):
School of Information and Electronic Engineering, Zhejiang University of Science and Technology, Hangzhou310023, Zhejiang, China
关键词:
问答社区语义共现问题分类共现词注意力机制长短时记忆网络
分类号:
TP391.1
文献标志码:
A
摘要:
针对汽车故障问答文本特征稀疏、语义信息不全、深层次语义特征较难提取等问题,提出基于问题答案语义共现的多层次注意力卷积长短时记忆网络模型(co-occurrence word attention convolution LSTM neural net-work,CACL)的问题分类方法。通过向量空间模型计算问题与答案文本中语义相似的共现词,使用注意力机制聚焦问题文本中的共现词特征,输入卷积神经网络(convolutional neural network,CNN)提取问题局部特征,通过长短时记忆网络(long short-term memory network,LSTM)及词级别注意力机制提取长距离依赖特征及其更高层次的文本特征,采用Softmax进行问题分类。结果表明,相比较于主流的问题分类方法,该方法有效提高了问题分类的精度,最高提升了10.04%的准确率。同时,试验发现当选用11个有效共现词且共现词来自问题文本时,模型的处理精度最佳。合理利用问题答案文本语义相似的共现词,能有效提升汽车故障问题的分类性能,且共现词的个数、来源对问题的分类精度有一定的影响。
更新日期/Last Update: