一、邮电管理知识问答（论文文献综述）
徐梦婷[1]（2020）在《基于知识图谱的多轮问答系统》文中提出人工智能的迅速发展使得问答系统得到进一步的发展,而基于人工智能的问答系统的应用也是随处可见。大规模的数据出现,随之而来地是用于存储的知识图谱。而知识图谱的出现给了问答系统新的可能性,基于检索式的问答成为了知识图谱问答的主流应用。而本文的研究重点在于将知识图谱应用于多轮的交互,实现多轮问答。目前,基于知识图谱的单论检索式问答已经相对成熟,但是对于多轮的问答探索较少。因为在用户在获取信息的过程中,并不能一次性的给出所有关键词,因此,为了提供给用户更友好的帮助,给以用户友好的引导,从而精确定位用户需求,返回用户真实所需。因此,进行多轮的问答具有必要性。整个系统包括了图谱构建环节、多轮问答模型设计以及系统实现环节。首先,本文通过多源异构的数据进行实体抽取,其中,通过爬虫获取的网页数据通过正则抽取,而自由文本则通过知识样本树进行抽取。然后,将抽取实体转为三元组,存入基于Docker-compose动态构建而成的Neo4j图数据库中。接着,通过构建进行人机交互的历史记录存储以及传输功能,实现历史通信内容的记录,借此进行本轮对话的分析以及基于槽模型或者随机游走模型的回复生成。最终,将图谱构建以及多轮问答实现模式化,形成一个通用的程序,实现配置式的机器人的构建,并将其进行网页化的展示。本文所提出的多轮问答系统给出了一个完整的实现方案,但仍有需要优化的地方。其中,图谱构建环节对于同义词、近义词的实体对齐可将其加入优化构建,而多轮问答也需要将向量化加入,从而更好的实现相似问题识别的功能。
宋建[2]（2020）在《面向知识问答社区的专家推荐机制与答案摘要算法的研究》文中进行了进一步梳理知识问答社区为用户分享和获取知识提供了一个重要的交互性平台,用户可以通过该平台提交和回答问题。由于社区中用户的数量与日俱增,提问者提出的问题可能几天以后才获得答案,回答者对于自己接收到的问题可能并不感兴趣。学者们提出了各种各样的专家推荐机制来解决这个问题,然而目前的大部分机制推荐的专家都无法及时的回复用户提出的问题且推荐结果的最佳答案覆盖率偏低。另外,在社区中一个开放型问题通常会对应多个答案,而通过社区中的内部规则选出的最佳答案往往并不具有完整性,无法全面的解答该问题。随着深度学习技术已经广泛应用于完成自然语言处理领域的文本摘要任务,本文尝试将该技术引入到知识问答社区中,用于答案文本摘要。然而,目前的文本摘要算法仍存在生成的摘要语义不通顺及摘要的自我重复等问题。针对现有的研究工作的不足,本文具体所做的工作如下:（1）我们提出了一种面向知识问答社区的专家推荐机制,该机制结合经典的深度结构化语义模型（Deep Structured Semantic Models,DSSM）,从用户回答问题的数量、问题的难度值以及用户回答问题的平均响应时间这3个维度来构建随机转移概率矩阵,提出了主题敏感性回答者排序算法（Topic Sensitive Answerer Rank,TSAR）。首先,使用深度结构化语义模型计算出问题文本和用户文本之间的相似度,根据相似度值的大小筛选出候选专家群并构建用户问答关系有向图;然后使用主题敏感性回答者排序算法对图中每个节点用户的权威度值的大小进行计算;最后根据权威度值的大小生成专家列表并推荐给用户。（2）我们提出了一种基于多层注意力机制的答案摘要算法（Answer Summarization Algorithm based on Multi-layer Attention Mechanism,ASMAM）。该算法在传统的序列到序列（Sequence to Sequence,Seq2Seq）模型的基础上,为了进一步提高文本的表征能力,在进行句子编码和文本编码时分别引入了自注意力机制和多头注意力机制。为了解决循环神经网络（Recurrent Neural Networks,RNN）的“梯度消失”问题和长短期记忆网络（Long Short-Term Memory,LSTM）的参数过多问题,在编码器端和解码器端的神经元都使用了门控循环单元（Gated Recurrent Unit,GRU）。在解码时为了避免因解码器自身的隐藏状态导致生成的摘要自我重复,引入了内注意力机制。（3）最后,将本文中提出的“面向知识问答社区的专家推荐机制”和“基于多层注意力机制的答案摘要算法”运用到原型系统中。当用户向知识问答社区提交了新的问题后,使用专家推荐机制向用户推荐有能力、有兴趣并且可以及时回复的候选专家并以列表的形式进行展示。对于开放型问题对应的多个答案文本,通过系统中的答案摘要模块对多个答案进行概括和浓缩,便于用户快速的获取一个全面的答案。
郭苗苗[3]（2020）在《基于知识图谱的乒乓球问答系统的语义匹配算法研究》文中提出随着自然语言处理技术的发展,金融、医疗、电子商务及文体娱乐等特定领域的问答系统获得了快速的发展,语义匹配是问答系统研究中一个重要的研究课题,语义匹配的结果直接影响着问答系统的性能。本文以智能乒乓球训练系统特定领域问答系统的语义匹配算法为关键研究点,实现了乒乓球问答系统知识图谱的构建,设计了智能乒乓球训练系统基于知识图谱问答系统的架构。针对系统架构的特点,提出在系统中使用问题模板的方法进行问题表示,并且使用概率生成模型参数求解匹配算法,将语义匹配过程转化为概率生成模型的参数估计过程并进行答案检索。本文的主要研究内容包括:（1）针对智能乒乓球问答系统的数据库构建问题,本文对乒乓球领域的问答语料进行收集,实现了乒乓球问答系统的知识图谱构建,为基于知识图谱的乒乓球问答系统提供数据库支撑。（2）针对智能乒乓球训练系统中智能问答的要求,本文设计了智能乒乓球问答系统架构,分析了系统中具体模块的功能实现,提出使用基于问题模板的问题表示方法,并基于问答系统架构使用概率生成模型,将语义匹配过程转化为概率生成模型的参数估计过程,通过对概率生成模型的参数估计来实现问答系统的答案匹配功能。（3）针对概率生成模型的参数估计问题,本文提出使用极大似然估计,并对隐变量参数的极大似然估计中使用的期望最大化算法进行了深入的研究,针对期望最大化算法收敛速度慢的缺点研究了Atiken改进算法,完成了问题模板到谓语的匹配过程,一定程度上解决了智能问答系统的语义匹配的问题。本文将问答系统的语义匹配过程转换为使用期望最大化算法对概率生成模型的参数估计过程,并研究了Atiken改进算法。系统测试表明,本文提出使用的语义匹配算法对问答系统的功能实现是有效的。
朱署光[4]（2020）在《基于深度学习的结构化数据问答方法研究》文中提出随着通信技术的发展和计算机软硬件性能的提升,人们越来越多地使用互联网发布各种信息,并留存下了海量数据。其中的一部分是结构化数据,例如知识图谱和表格。结构化数据是依照某种数据模型以自动和人工手段结合构建的,具有数据量丰富、质量高和有结构的特点,非常适合做问答系统的知识源。使用结构化数据回答问题的一种主要手段是语义解析,即将自然语言问题通过计算机程序映射为具有相同含义的SPARQL、SQL等结构化查询语句。传统语义解析方法基于模板,仅能覆盖少部分查询结构对应的问题。基于语法或句法分析的方法需要人工编制结构的组合或映射规则,且对不标准问句常常遇到结构不匹配的问题。机器学习方法可以自动从问题-查询或问题-答案标注数据中学习转换规则,但依靠人工经验设计的特征难以捕捉一些关键信息。近几年,深度学习飞速发展,基于该技术的方法在多个自然语言处理任务上取得了良好效果。深度学习能自动提取问题和查询的最佳匹配特征,在新的问题模式和查询结构上泛化能力强,对结构化数据问答任务很有帮助。虽然国内外研究人员已经在基于深度学习的结构化数据问答上取得一定成果,但现有成果在查询表示方法和问题-查询匹配方法上仍存在不足。因此,本文基于深度学习对知识图谱和表格上的问答方法展开深入研究,取得了以下创新成果:（1）针对知识图谱简单关系问答,提出一种联合生成、复制和改写模式的方法。现有基于深度学习的方法没有同时引入问题和查询在字面、语义和训练集外的关联,也不能合理地进行结合,忽略一部分匹配信息从而降低了回答准确率。为解决上述问题,我们结合三种解码模式实现问题和查询在三个层面的联合关联。方法整体上采用从查询到问题的序列到序列匹配模型。在问题解码过程中,观察到问题特定位置的词常常出现在查询的实体或关系名中,因而提出问题是由查询的语义和字面内容共同形成的,并设计生成和复制两种解码模式,分别从固定常见词表和源端内容中选择单词。此外,训练数据无法覆盖许多问题和查询的关联,因而提出改写模式,引入从外部挖掘到的实体别名和关系表述。为结合三种模式形成的下一词概率,设计一个门函数,基于前面的问题内容分配各模式的贡献。为在训练过程中提高模型的区分能力,从候选查询中采样结果与正确答案有重合的负样例,设计基于边距的目标函数来配合优化。实验结果表明,联合生成、复制和改写模式的方法提升了知识图谱简单关系问答的准确率。（2）针对知识图谱复杂关系问答,提出一种基于树到序列学习的方法。现有基于深度学习的方法没有对复杂查询结构进行建模,使查询表示丢失一部分语义从而降低了回答准确率。为解决上述问题,我们将查询中的实体、关系和它们的连接顺序共同编码。方法整体上继续采用从查询到问题的匹配模型。在候选查询生成过程中,为扩大搜索范围,提出先进行实体、类型和数字操作的链接,再从它们出发构建联通图作为候选查询。在查询编码阶段,为同时包含实体、关系信息和结构信息,将查询视为一棵树,提出基于树的长短时记忆编码器。在问题解码阶段,对上一工作提出的解码器进行优化,将复制和改写模式合并为引用模式,用语言模型对连续的实体名或关系表述进行概率估计。实验结果表明,基于树到序列学习的方法提升了知识图谱复杂关系问答的准确率。（3）针对表格序列问答,提出一种分离和组合动作表示的方法。现有基于深度学习的方法往往用一个动作序列表示SQL语句,通过动作空间保证生成内容语法正确且参数来自表格。然而,这些方法把需要不同类型信息的动作结合在一起,而对需要同类信息的动作没有用同一神经网络,导致特征抽取困难从而降低了回答准确率。为解决上述问题,我们针对序列问答特点重新设计动作空间。方法整体上采用动作生成模型。在问题和表格编码过程中,为理解后续问题对前面问题信息的引用,引入预训练语言模型帮助发现省略和指代现象。在动作生成过程中,重新设计动作空间,将现有方法中被组合的不相关动作进行分离,对相关动作采用同一神经网络抽取特征。为提升可回答问题的范围,将相等动作扩展为相似,可以基于字符串匹配选取同一列的多个单元格。实验结果表明,分离和组合动作表示的方法提升了表格序列问答的准确率。
陈志豪[5]（2019）在《面向医疗健康领域的问答系统关键技术研究与实现》文中研究指明在当前数字信息迅速增长的时代,人们越来越依赖于从互联网上获取信息。对于医疗健康方面,人们常常从互联网上查询疾病和症状信息,用以了解自身健康状况并及时预防或治疗。然而,通过搜索引擎检索信息的传统方式十分不便,因其需要用户自己设计和提炼关键词,甚至做进一步的筛选才能得到答案,难以满足人们快速获取医疗健康信息的要求。本文旨在研究和开发一个针对医疗健康领域的问答系统,用以辅助医疗服务,帮助用户快速了解自身健康状况,以便人们在去医院就诊时能够心里有数。本文主要工作如下。首先针对人们表达医疗问题的形式多样,很难用规则模板的方式从问题中提取疾病症状实体的情况,提出了语义相似度计算方法,该方法主要由基于编辑距离的方法、基于字符重叠系数的方法和基于词向量的方法构成。实验结果表明混合方法的效果优于三个方法单独使用时的效果,说明该方法能有效抽取词典外语义相似的疾病症状实体。其次出于对数据库查询需要查询目标的考虑,设计了意图识别的多分类模型,该模型由朴素贝叶斯算法训练得到。在测试实验中,该多分类模型的最佳F1值达到了0.9686,说明该多分类器能有效识别出大多数用户输入信息的查询意图类型。最后针对医疗问题通常有多个相关答案,没有唯一的标准答案,问答系统很难选择出最佳答案的情况,提出了基于注意力和字嵌入的问答匹配模型,该模型涉及字嵌入技术、注意力机制和多尺度卷积神经网络技术。通过在问答对数据库上的实验,证明了本文设计的问答匹配模型在中文医疗问答对匹配任务上优于BiLSTM（双向长短时记忆）和单尺度卷积神经网络等模型,说明该模型能够满足本系统的要求。本文在上述三个方法模型实现的基础上,完成医疗问答系统的搭建和性能测试。性能测试表明,本系统的召回率和准确率分别达到了85.0%和76.0%,达到了较好的问答效果。
谭云丹[6]（2020）在《科技政策智能问答系统架构及关键算法研究》文中研究表明科技政策是国家创新发展战略的重要组成部分,对社会、经济与科技的协调发展至关重要。随着大数据、人工智能等新兴技术的发展,科技政策信息多源冗余的现状加速了公众对专业化、精准化信息的追求。如何为公众提供高效、精准且富有价值的政策知识,已成为政府在政策知识服务领域亟需解决的问题。目前,我国许多政府部门将政策智能答疑功能嵌入电子服务平台,以加强与公众互动交流。但是,现有政策知识服务的问答原理较为简单,类似于搜索引擎的关键词匹配,因而回答结果差强人意甚至答非所问。鉴于此,本文聚焦于科技政策知识服务领域,借助数据挖掘、自然语言处理等技术,设计一站式的知识集成、管理的智能问答系统架构。该系统通过完善科技政策知识服务功能,优化智能问答策略及技术,以期为公众“了解政策、理解政策和用好政策”提供高效精准的知识服务。本文主要研究工作如下:第一,本文探讨了科技政策的相关研究及服务现状,知识服务的概念和特征,智能问答的概念、分类、模块及关键算法等知识背景,为设计科技政策智能问答系统架构和改进关键算法奠定理论基础。第二,本文通过调研科技政策服务平台现状及用户需求,明确当前政策问答平台的优点和不足,掌握企业对科技政策知识需求特征。基于知识服务理论和现状需求分析,本文设计以智能问答技术为核心的科技政策知识服务架构,指出所涉及的要素、特点及层次,并针对技术层设计包含闲聊、检索和推荐的问答策略。第三,本文针对系统架构中关键算法进行改进。由于现有SIF算法只关注句子的部分特点,忽略了句子中蕴含的其他有价值的信息。本文在SIF算法的基础上,引入词序和语义依存两种特征,并采用科技政策问答数据进行验证。实验结果表明:所提算法与SIF算法相比,F-度量值提高了9.21%。最后,本文在总结研究内容的基础上,提出促进科技政策智能问答系统实现的建议,以及阐述本研究尚存不足。
于敏敏[7]（2020）在《面向智慧物流的人工智能问答模式与应用研究》文中进行了进一步梳理物流是国家经济发展的重要基础设施。经过三十多年发展,物流业已经成为国民经济的支柱产业和重要的现代服务业,也是人员增长最快的行业之一。然而随着我国人口红利逐渐消失,劳动成本不断上涨,劳动力的短缺倒逼传统物流业逐渐向无人化、智能化方向转型,物流业对智能物流机器人的需求愈加迫切。近年来AI技术广泛应用于物流场景,在软件方面,智能语音助手机器人和物流客服机器人开始应用在日常生活中。物流公司将智能问答系统嵌入其微信小程序,为用户提供实时的在线咨询服务。但在使用中存在系统无响应、答非所问、仅支持单轮问答,对于稍复杂的问题回复效果不尽人意等问题。原因主要有两点:一是系统设计不充分,二是信息检索效率有待提高。基于此,本研究主要回答三个问题:物流领域需要怎样的人工智能问答模式?如何通过关键算法设计提高信息检索的准确率?如何从系统设计方面对物流问答系统进行优化?首先运用文献计量和科学知识图谱法对智慧物流和智能问答领域研究现状和热点进行分析,为本研究的切入点提供证据。然后,以问答系统相关理论为基础,结合物流服务过程和物流问答情境对物流领域问答系统运行机理进行解释,在此基础上,进一步提出面向智慧物流领域的人工智能问答模式设计思路。接着,对人工智能问答模式中的句子相似度算法进行优化,思路是在基线SIF模型基础上增加词性和词序因素。通过准确率、召回率和F值三个指标对改进后的算法效果进一步验证,发现SIF算法在准确率方面远胜于基于统计的TF-IDF算法和基于词序的算法18%和29%,本研究改进后的SIF算法在准确率方面又提高了4.5%。最后,从“软”、“硬”两方面提出人工智能问答模式优化建议,在此基础上对研究结论的理论和实践价值进行了讨论,并对研究中的不足进行了总结。
彭鑫[8]（2020）在《基于中文知识图谱的金融领域问答系统的研究与实现》文中研究表明随着互联网的飞速发展,问答系统为用户提供智能知识服务而受到青睐。本文从金融领域的角度出发,针对用户所提问句的不确定性和多样性,对金融领域中文数据进行分析梳理和结构化,构建了知识图谱,研究并实现了基于中文知识图谱的金融领域问答系统（CF-KGQA）。主要工作如下:1.获取与存储数据,构建了具有金融领域特性知识图谱。（1）搭建了一套一主十从的分布式爬虫系统,且为保障数据存储的安全,搭建了可主从备份的数据库集群。（2）定义知识图谱中实体、实体间关系的概念。在构建知识图谱时,不仅要考虑金融领域特性设计图谱结构,还要根据问答系统的实际需求不断进行调整。2.提出了基于深度学习的金融领域问句语义依存分析方法。提出了一种基于讯飞开放平台的语义依存图分析（Semantic Dependency Graph Parsing,SDGP）、双向长短期记忆网络（Bidirectional Long Short-Term Memory,BLSTM）和条件随机场（Conditional Random Field,CRF）的语义依存分析方法（DR-BLSTM-CRF）。（1）结合BLSTM和CRF的命名实体识别（Named Entity Recognition,NER）算法对问句进行命名实体识别,获得一个包含字符标签信息的序列。（2）采用基于讯飞开放平台Web API对问句进行语义依存图分析,获得一个包含语义依存信息的句子表示,再结合（1）中的命名实体识别结果,通过依赖缩减得出更为准确的语义依存图。实验结果表明,在自建的约140000条金融领域问句数据集上,本文提出的方法与语言技术平台（Language Technology Platform,LTP）的语义依存分析效果相比,准确率、召回率和F1值分别提高33.4%、33.9%和34.2%,该方法可以有效地对金融领域问句进行语义依存分析。3.设计并实现了基于知识图谱的问答系统。在之前理论和实验基础上,将知识图谱和基于深度学习的金融领域问句语义依存分析方法应用于问答系统,设计知识图谱模块、前端展示模块和问答模块三大功能模块,并将问答结果在网页以动态图的形式进行展示。
杨腾[9]（2020）在《在线医疗问答社区的信息质量对用户融入意愿的影响研究》文中进行了进一步梳理随着互联网技术的快速发展以及健康中国战略的实施推进,衍生了一大批在线医疗问答社区。近年来,在线医疗问答社区逐渐发展成为民众获取医疗健康信息以及进行健康管理的主要方式之一。然而医疗社区中的信息具有较强的专业性及针对性,普通用户由于缺乏医学领域相关知识的深入了解与学习,无法对社区信息有更深层次的理解,此时医疗社区信息在内容、表达、效用、来源、情感支持等方面的质量高低就对人们的健康管理就显得至关重要。同时在以文字信息交互为主的医疗健康社区中,信息质量是实现用户连接与交互的基础,当用户获取到不同程度质量的信息时,他们将会采取何种后续行为,这将是知识所有者的口碑建立以及平台的进一步发展重点关注的。本研究围绕在线医疗问答社区互动交流的特性,以用户融入行为来衡量用户的后续行为,并基于社会交换理论、信任理论及信息加工理论,从在线医疗问答社区的信息质量出发,构建了信息质量对用户融入意愿的影响模型。其中,引入了在线医疗问答社区信息质量的五个维度（信息内容质量、信息表达质量、信息效用质量、信息来源质量、信息情感支持）为本研究的自变量,以用户融入意愿为因变量,以认知信任和情感信任为中介变量,以互动程度为调节变量。随后通过抓取春雨医生在线医疗问答平台的真实数据进行大数据分析和根据研究变量设计调查问卷进行统计分析两个方法检验了本研究模型,验证了部分研究假设。本研究结果表明:（1）在线医疗问答平台的情景下,信息内容质量、信息表达质量、信息效用质量、信息来源质量、信息情感支持对用户融入意愿具有正向影响,其中信息情感支持和信息表达质量的作用效果最大。（2）认知信任在信息内容质量、信息表达质量、信息效用质量、信息来源质量和信息情感支持对用户融入意愿的影响中起中介作用,情感信任在信息内容质量、信息表达质量、信息情感支持对用户融入意愿的影响中起中介作用,而在信息效用质量和信息来源质量对用户融入意愿影响中的中介效应不存在。（3）互动程度在信息内容质量、信息表达质量、信息效用质量和信息情感支持对用户融入意愿的影响中存在调节作用,但在信息来源质量对用户融入意愿的影响中不存在调节作用;互动程度在信息内容质量、信息表达质量、信息效用质量和信息情感支持对认知信任的影响中存在调节作用,但在信息来源质量对认知信任的影响中不存在调节作用;互动程度在信息内容质量、信息表达质量和信息情感支持对认知信任的影响中存在调节作用,但在信息效用质量和信息来源质量对认知信任的影响中不存在调节作用。最后,讨论了本研究结论的理论意义与实践价值,以及对研究中的不足进行了总结。
赵晓彤[10]（2019）在《保险领域知识问答系统的研究与实现》文中提出近年来,随着互联网的迅速发展和普及,各行各业都开始提供网络平台来完成与用户的交流与交易。为了能够及时地解答用户的疑惑,提高用户的使用体验,服务提供商通常都会提供人工客服平台来与客户进行交流,从而避免不必要的经济损失。然而,面对海量的在线使用者,人工客服会不可避免地遇到大量重复雷同的问题,消耗很多不必要的人力资源,在这种情况下,研发一个能够自动与用户完成问答交流的知识问答系统就显得尤为重要。在构筑知识问答系统的过程中,需要将用户输入问句映射到已有知识库问句中,而对问句分类能够缩小候选问句的数量,提升系统的响应效率,因此本文针对问句分类问题进行了深入的研究。本文基于对常见分类模型的研究结果,调研并实现了 MLP（Multilayer Perceptron,多层感知机）分类模型、CNN（Convolutional Neural Networks,卷积神经网络）分类模型、LSTM（Long Short-Term Memory,长短期记忆网络）分类模型三种常见的神经网络分类器。而后针对保险领域中的问句语料,提出了组合分类模型。利用线性回归的方法,将MLP、CNN、LSTM三种成熟的分类模型加以组合,构造了针对于本系统的组合分类模型,最后分别基于语料测试集和人工设计的问句测试集,设计实验对比了各个分类模型的分类效果,提高了问句分类模型的准确率。本文基于知识问答系统领域的研究现状,利用前文所述的研究成果,应用开源组合开发框架Spring,SpringMVC,MyBatis,实现了一个基于保险领域语料的知识问答系统。本文所设计实现的问答系统,在接收到用户的输入问句后,会对输入的问句依次进行问句理解、问句分类和问句匹配三步操作,从而在已经构筑好的知识库中寻找到相似的问句,将答案反馈给用户。如果问答系统无法在知识库中找到合适的答案,则通知工作人员进行人工回复,而后将人工问答的数据增加进数据库中,从而使得本系统具备不断完善,自我成长的能力。在问句理解模块,从多个维度研究归纳了理解问句隐含信息的方法,调研实现了各种问句理解的功能,包括:中文问句的分词处理,词向量模型的训练,问句疑问方向的识别,问句疑问类型的判断,问句句法结构的分析,问句主体的提取,语境上下文的补充等等。在问句匹配模块考虑到本文系统的独特环境,设计实现了基于问句理解结果的问句匹配模型,完成问句匹配的工作。
二、邮电管理知识问答（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、邮电管理知识问答（论文提纲范文）
（1）基于知识图谱的多轮问答系统（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 知识图谱的研究现状 |
| 1.2.2 问答系统的研究现状 |
| 1.3 研究内容 |
| 1.4 本文组织结构 |
| 第二章 相关技术与理论基础 |
| 2.1 图形数据库理论与方法 |
| 2.1.1 图形数据库概念 |
| 2.1.2 Neo4j图形数据库 |
| 2.2 知识图谱技术 |
| 2.2.1 知识图谱构建 |
| 2.2.2 知识图谱的存储 |
| 2.2.3 知识图谱的查询 |
| 2.3 问答系统技术 |
| 2.3.1 传统问答系统 |
| 2.3.2 基于知识图谱的问答系统 |
| 2.3.3 知识问答系统的算法 |
| 2.4 本章小结 |
| 第三章 基于Neo4j的知识图谱构建 |
| 3.1 总体框架 |
| 3.2 数据获取 |
| 3.2.1 网页信息获取 |
| 3.2.2 文本信息获取 |
| 3.3 基于Neo4j的知识图谱存储 |
| 3.3.1 基于docker-compose的 Neo4j容器动态构建 |
| 3.3.2 在线以及离线数据导入 |
| 3.4 图数据库查询 |
| 3.5 本章小结 |
| 第四章 基于知识图谱的多轮问答模型设计 |
| 4.1 多轮问答整体架构 |
| 4.2 历史读取模块 |
| 4.2.1 Rabbit MQ |
| 4.2.2 队列交互 |
| 4.3 问题解析模块 |
| 4.3.1 问题解析 |
| 4.3.2 结束评判 |
| 4.4 回复生成模块 |
| 4.4.1 答句生成 |
| 4.4.2 基于槽模型的问句生成算法 |
| 4.4.3 基于随机游走的问句生成算法 |
| 4.5 结果展示 |
| 4.6 本章小结 |
| 第五章 基于知识图谱的多轮问答系统 |
| 5.1 系统需求分析 |
| 5.1.1 用户需求分析 |
| 5.1.2 功能需求分析 |
| 5.1.3 可行性分析 |
| 5.2 系统总体架构 |
| 5.3 系统实现 |
| 5.3.1 登陆模块 |
| 5.3.2 机器人模块 |
| 5.3.3 后台管理模块 |
| 5.4 系统功能模块测试 |
| 5.4.1 登陆模块 |
| 5.4.2 机器人模块 |
| 5.4.3 后台管理模块 |
| 5.5 性能测试 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间申请的专利 |
| 致谢 |
（2）面向知识问答社区的专家推荐机制与答案摘要算法的研究（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究内容 |
| 1.3 本文组织结构 |
| 第二章 相关研究工作 |
| 2.1 基本理论 |
| 2.1.1 文本语义分析模型 |
| 2.1.2 循环神经网络及其变种 |
| 2.1.3 词向量技术 |
| 2.1.4 注意力机制 |
| 2.2 专家推荐技术 |
| 2.2.1 概述 |
| 2.2.2 专家推荐相关算法 |
| 2.3 文本自动摘要技术 |
| 2.3.1 概述 |
| 2.3.2 文本自动摘要相关算法 |
| 2.4 本章小结 |
| 第三章 面向知识问答社区的专家推荐机制 |
| 3.1 引言 |
| 3.2 专家推荐机制 |
| 3.2.1 专家推荐机制的流程 |
| 3.2.2 构建用户问答关系有向图 |
| 3.2.3 深度结构化语义模型 |
| 3.2.4 TSAR算法原理 |
| 3.3 实验与性能分析 |
| 3.3.1 实验数据集 |
| 3.3.2 评价指标 |
| 3.3.3 实验结果分析 |
| 3.4 本章小结 |
| 第四章 基于多层注意力机制的答案摘要研究 |
| 4.1 问题定义 |
| 4.2 模型 |
| 4.2.1 原理 |
| 4.2.2 编码器 |
| 4.2.3 解码器 |
| 4.3 实验验证与性能分析 |
| 4.3.1 实验数据集 |
| 4.3.2 评价指标 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 原型系统的设计与实现 |
| 5.1 系统设计的背景 |
| 5.2 系统的设计 |
| 5.2.1 系统需求分析 |
| 5.2.2 系统数据库设计 |
| 5.2.3 系统架构设计 |
| 5.2.4 系统运行流程 |
| 5.3 模块分析 |
| 5.4 系统实现 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间申请的论文 |
| 附录2 攻读硕士学位期间申请的专利 |
| 附录3 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（3）基于知识图谱的乒乓球问答系统的语义匹配算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 相关领域国内外研究现状 |
| 1.2.1 特定领域问答系统的国内外研究现状 |
| 1.2.2 基于知识图谱问答的国内外研究现状 |
| 1.3 本文的主要工作和章节安排 |
| 第二章 基于知识图谱的问答系统相关概述 |
| 2.1 引言 |
| 2.2 知识图谱构建 |
| 2.3 文本域的知识抽取 |
| 2.3.1 命名实体抽取 |
| 2.3.2 关系抽取 |
| 2.3.3 属性抽取 |
| 2.4 基于模板的问题表示方法 |
| 2.5 语义匹配 |
| 2.6 本章小结 |
| 第三章 乒乓球问答系统设计与模型确立 |
| 3.1 乒乓球问答系统知识图谱的构建 |
| 3.1.1 问答语料库的语料获取 |
| 3.1.2 乒乓球领域知识图谱设计 |
| 3.1.3 数据预处理 |
| 3.1.4 数据导入Neo4j数据库 |
| 3.2 乒乓球问答系统设计 |
| 3.2.1 系统输入模块 |
| 3.2.2 谓语模板匹配模块 |
| 3.2.3 概率推理模块 |
| 3.2.4 系统的架构设计 |
| 3.3 乒乓球问答系统的模型确立 |
| 3.4 乒乓球问答系统的模型概率估计 |
| 3.4.1 实体分布的条件概率估计 |
| 3.4.2 问题模板分布的条件概率估计 |
| 3.4.3 属性值分布的条件概率估计 |
| 3.5 本章小结 |
| 第四章 关于谓语条件概率估计的语义匹配算法研究 |
| 4.1 引言 |
| 4.2 极大似然估计概述 |
| 4.2.1 极大似然原理 |
| 4.2.2 似然函数 |
| 4.3 基于概率生成模型的似然函数表示 |
| 4.3.1 对问答语料库建模的分析 |
| 4.3.2 似然函数表示 |
| 4.4 隐变量与期望最大化算法 |
| 4.4.1 隐变量 |
| 4.4.2 期望最大化算法 |
| 4.5 关于谓语条件概率估计的算法实现 |
| 4.5.1 基于EM算法的谓语条件概率估计 |
| 4.5.2 谓语条件概率估计的EM算法实现 |
| 4.6 谓语条件概率估计的Atiken算法改进 |
| 4.7 本章小结 |
| 第五章 语义匹配算法的实验与结果分析 |
| 5.1 实验设计 |
| 5.1.1 实验环境 |
| 5.1.2 实验数据 |
| 5.2 实验内容 |
| 5.2.1 知识图谱构建 |
| 5.2.2 系统后台测试 |
| 5.2.3 系统界面展示 |
| 5.2.4 系统性能测试 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 攻读硕士学位期间申请的专利 |
| 致谢 |
（4）基于深度学习的结构化数据问答方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 结构化数据问答介绍 |
| 1.2.1 知识图谱问答 |
| 1.2.2 表格问答 |
| 1.3 研究内容与贡献 |
| 1.4 本文组织结构 |
| 第二章 相关技术介绍与相关研究综述 |
| 2.1 相关技术介绍 |
| 2.1.1 词表示和序列建模 |
| 2.1.2 序列到序列学习和注意力机制 |
| 2.1.3 预训练语言模型 |
| 2.2 相关研究综述 |
| 2.2.1 知识图谱问答 |
| 2.2.2 表格问答 |
| 第三章 联合生成、复制和改写模式的知识图谱简单关系问答方法 |
| 3.1 引言 |
| 3.2 方法描述 |
| 3.2.1 方法概述 |
| 3.2.2 候选查询生成 |
| 3.2.3 问题-查询匹配 |
| 3.2.4 模型训练和使用 |
| 3.3 实验与分析 |
| 3.3.1 数据集 |
| 3.3.2 评价指标 |
| 3.3.3 参数设置和训练过程 |
| 3.3.4 对比方法 |
| 3.3.5 结果和分析 |
| 3.4 本章小结 |
| 第四章 基于树到序列学习的知识图谱复杂关系问答方法 |
| 4.1 引言 |
| 4.2 方法描述 |
| 4.2.1 方法概述 |
| 4.2.2 候选查询生成 |
| 4.2.3 问题-查询匹配 |
| 4.2.4 模型训练和使用 |
| 4.3 实验与分析 |
| 4.3.1 数据集 |
| 4.3.2 评价指标 |
| 4.3.3 参数设置和训练过程 |
| 4.3.4 对比方法 |
| 4.3.5 结果和分析 |
| 4.4 本章小结 |
| 第五章 分离和组合动作表示的表格序列问答方法 |
| 5.1 引言 |
| 5.2 方法描述 |
| 5.2.1 方法概述 |
| 5.2.2 动作空间和过滤规则 |
| 5.2.3 问题-表格编码器与动作解码器 |
| 5.2.4 模型训练和使用 |
| 5.3 实验与分析 |
| 5.3.1 数据集 |
| 5.3.2 评价指标 |
| 5.3.3 参数设置和训练过程 |
| 5.3.4 对比方法 |
| 5.3.5 结果和分析 |
| 5.4 本章小结 |
| 第六章 结束语 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的论文与研究成果 |
（5）面向医疗健康领域的问答系统关键技术研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第一章 引言 |
| 1.1 研究背景 |
| 1.2 国内外相关研究现状 |
| 1.2.1 问答系统研究现状 |
| 1.2.2 医疗问答系统研究现状 |
| 1.2.3 医疗问答系统关键技术研究现状 |
| 1.3 主要研究内容 |
| 1.4 本文结构 |
| 第二章 系统相关技术概述 |
| 2.1 疾病症状实体抽取 |
| 2.1.1 多模式匹配 |
| 2.1.2 语义相似度计算 |
| 2.2 意图识别 |
| 2.3 端到端的问答匹配 |
| 2.3.1 文本向量化 |
| 2.3.2 注意力机制 |
| 2.3.3 卷积神经网络 |
| 2.4 本章小结 |
| 第三章 医疗问答系统的核心技术研究 |
| 3.1 问题提出 |
| 3.2 语义相似度计算 |
| 3.2.1 词典扩展 |
| 3.2.2 语义相似度计算方法描述 |
| 3.3 用户意图识别的多分类模型选择 |
| 3.4 基于注意力和字嵌入的问答匹配模型描述 |
| 3.4.1 字嵌入 |
| 3.4.2 注意力机制 |
| 3.4.3 多尺度卷积神经网络 |
| 3.5 实验结果与分析 |
| 3.5.1 语义相似度计算实验结果与分析 |
| 3.5.2 意图识别的多分类模型性能实验结果与分析 |
| 3.5.3 基于注意力和字嵌入的问答匹配模型实验结果与分析 |
| 3.6 本章小结 |
| 第四章 医疗问答系统设计 |
| 4.1 需求分析 |
| 4.1.1 问题解析模块 |
| 4.1.2 信息检索模块 |
| 4.1.3 候选答案选择模块 |
| 4.1.4 问答匹配模块 |
| 4.2 系统设计 |
| 4.2.1 问题解析模块 |
| 4.2.2 信息检索模块 |
| 4.2.3 候选答案选择模块 |
| 4.2.4 问答匹配模块 |
| 4.3 系统问答流程设计 |
| 4.4 数据库设计 |
| 4.4.1 医疗知识库 |
| 4.4.2 问答对数据库 |
| 4.5 本章小结 |
| 第五章 系统实现与测试 |
| 5.1 系统实现 |
| 5.1.1 开发环境与工具 |
| 5.1.2 类与函数实现 |
| 5.1.3 数据来源 |
| 5.1.4 问题分类器的实现 |
| 5.1.5 数据库的构建和查询 |
| 5.1.6 系统的网页交互界面实现 |
| 5.2 系统测试 |
| 5.2.1 系统问答性能测试 |
| 5.2.2 对比其它医疗问答系统 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 后续工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（6）科技政策智能问答系统架构及关键算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究内容与创新点 |
| 1.2.1 研究内容 |
| 1.2.2 研究创新点 |
| 1.3 研究方法和技术路线 |
| 1.3.1 研究方法 |
| 1.3.2 技术路线 |
| 第2章 相关理论及文献综述 |
| 2.1 科技政策 |
| 2.1.1 科技政策相关研究 |
| 2.1.2 科技政策知识服务现状 |
| 2.2 知识服务 |
| 2.2.1 知识服务概念 |
| 2.2.2 知识服务特征 |
| 2.3 智能问答系统 |
| 2.3.1 智能问答系统概念 |
| 2.3.2 智能问答系统分类 |
| 2.3.3 智能问答系统模块 |
| 2.3.4 智能问答系统关键算法 |
| 2.4 本章小结 |
| 第3章 科技政策智能问答平台现状及需求分析 |
| 3.1 科技政策智能问答平台现状分析 |
| 3.1.1 现状分析 |
| 3.1.2 问题及原因 |
| 3.1.3 优点借鉴 |
| 3.2 科技政策知识服务需求分析 |
| 3.2.1 问卷设计和数据收集 |
| 3.2.2 需求分析 |
| 3.3 本章小结 |
| 第4章 科技政策智能问答系统架构设计 |
| 4.1 系统架构要素 |
| 4.2 系统架构设计 |
| 4.2.1 资源层 |
| 4.2.2 技术层 |
| 4.2.3 应用层 |
| 4.3 系统架构特点 |
| 4.4 本章小结 |
| 第5章 科技政策智能问答系统中关键算法改进 |
| 5.1 算法介绍 |
| 5.2 算法改进 |
| 5.2.1 基于关键词的句子相似度算法 |
| 5.2.2 基于词序的句子相似度算法 |
| 5.2.3 基于语义依存的句子相似度算法 |
| 5.2.4 多特征融合的句子相似度算法 |
| 5.3 算法验证与分析 |
| 5.3.1 实验设计与实施 |
| 5.3.2 结果分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究总结 |
| 6.1.1 现状需求分析 |
| 6.1.2 系统构架设计 |
| 6.1.3 关键算法改进与验证 |
| 6.2 系统架构实现对策 |
| 6.3 局限与展望 |
| 参考文献 |
| 附录A 科技政策知识服务需求调查 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（7）面向智慧物流的人工智能问答模式与应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及问题提出 |
| 1.1.1 研究背景 |
| 1.1.2 研究问题提出 |
| 1.2 研究意义 |
| 1.3 研究内容与思路 |
| 1.4 研究方法与创新点 |
| 第2章 研究现状与理论基础 |
| 2.1 智慧物流研究现状 |
| 2.1.1 概念界定 |
| 2.1.2 领域研究概况 |
| 2.1.3 研究热点分析 |
| 2.2 智能问答研究现状 |
| 2.2.1 概念及发展历程 |
| 2.2.2 领域研究概况 |
| 2.2.3 研究热点分析 |
| 2.3 相关理论概述 |
| 2.3.1 智能问答模式介绍 |
| 2.3.2 问答系统研究模块 |
| 2.3.3 关键算法相关理论 |
| 2.4 本章小结 |
| 第3章 智慧物流场景下问答模式设计思路 |
| 3.1 智能问答模式应用场景 |
| 3.1.1 物流服务过程 |
| 3.1.2 一般问答模式应用场景 |
| 3.1.3 高级问答模式应用场景 |
| 3.2 智能问答系统运行机理 |
| 3.2.1 一般问答模式运行机理 |
| 3.2.2 高级问答模式运行机理 |
| 3.3 物流问答模式设计思路 |
| 3.3.1 两种问答模式对比分析 |
| 3.3.2 智能问答模式设计思路 |
| 3.4 本章小结 |
| 第4章 智能问答模式中句子相似度算法改进 |
| 4.1 基于Word2vec的词向量表示 |
| 4.2 基于平滑逆频率的句向量表示 |
| 4.3 改进的句子相似度算法设计 |
| 4.3.1 基于词性消减因子的权重调节 |
| 4.3.2 融合词序相似度的相似度计算 |
| 4.3.3 考虑词性、词序因子的算法设计 |
| 4.4 本章小结 |
| 第5章 人工智能问答模式应用及发展建议 |
| 5.1 应用案例介绍 |
| 5.2 评价指标选择 |
| 5.3 应用效果分析 |
| 5.4 发展建议 |
| 5.4.1 基于物流业务逻辑,构建知识体系 |
| 5.4.2 优化系统设计,提高用户使用体验 |
| 5.4.3 综合利用自然语言处理技术,实现高质量对话 |
| 5.4.4 拓宽应用场景与渠道 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究主要贡献 |
| 6.2.1 理论贡献 |
| 6.2.2 管理启示 |
| 6.3 不足与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（8）基于中文知识图谱的金融领域问答系统的研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与论文结构 |
| 第2章 问答系统相关技术 |
| 2.1 数据获取 |
| 2.2 数据存储 |
| 2.2.1 关系型数据存储 |
| 2.2.2 非关系型数据存储 |
| 2.3 实体识别 |
| 2.3.1 基于规则和词典的方法 |
| 2.3.2 基于统计模型的方法 |
| 2.3.3 基于深度学习的方法 |
| 2.4 实体链接 |
| 2.5 语义抽取 |
| 2.5.1 基于统计学习的语义抽取方法 |
| 2.5.2 基于语法解析的语义抽取方法 |
| 2.5.3 各类语义抽取方法的比较分析 |
| 2.6 Cypher |
| 2.7 本章小结 |
| 第3章 问答系统数据的获取与存储 |
| 3.1 基于Pyspider的数据获取方案 |
| 3.2 基于Mysql的数据存储方案 |
| 3.3 基于Neo4j的数据存储方案 |
| 3.4 本章小结 |
| 第4章 基于深度学习的金融领域问句语义依存分析 |
| 4.1 基于DR-BLSTM-CRF的金融领域问句语义依存分析 |
| 4.1.1 BLSTM |
| 4.1.2 BLSTM-CRF |
| 4.1.3 DR-BLSTM-CRF |
| 4.2 实验及相关说明 |
| 4.2.1 数据集 |
| 4.2.2 实验设置 |
| 4.3 实验结果及分析 |
| 4.4 本章小结 |
| 第5章 问答系统的设计与实现 |
| 5.1 系统框架设计 |
| 5.2 系统开发环境 |
| 5.3 知识图谱模块 |
| 5.4 问答模块 |
| 5.4.1 意图识别 |
| 5.4.2 查询生成 |
| 5.5 前端展示模块 |
| 5.6 问答系统页面展示 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 后续工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（9）在线医疗问答社区的信息质量对用户融入意愿的影响研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义及创新点 |
| 1.2.1 研究意义 |
| 1.2.2 创新点 |
| 1.3 研究主要内容 |
| 1.4 研究方法与技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 技术路线 |
| 1.5 本章小结 |
| 第2章 文献回顾 |
| 2.1 在线医疗问答社区国内外研究现状 |
| 2.1.1 国外研究现状 |
| 2.1.2 国内研究现状 |
| 2.1.3 当前研究述评 |
| 2.2 理论基础 |
| 2.2.1 社会交换理论 |
| 2.2.2 信息加工理论 |
| 2.2.3 信任理论 |
| 2.3 在线社区信息质量相关研究 |
| 2.4 用户融入相关研究 |
| 2.5 本章小结 |
| 第3章 理论模型与研究假设 |
| 3.1 理论模型构建 |
| 3.2 信息质量对用户融入意愿的关系 |
| 3.2.1 信息质量对用户融入意愿的影响 |
| 3.2.2 用户信任的中介作用 |
| 3.3 互动程度的调节作用 |
| 3.4 本章小结 |
| 第4章 信息质量对用户融入意愿影响的大数据分析 |
| 4.1 数据搜集 |
| 4.2 变量定义和测量 |
| 4.2.1 变量描述 |
| 4.2.2 变量测量 |
| 4.3 数据变换和描述统计 |
| 4.4 假设检验和结果分析 |
| 4.4.1 检验方法 |
| 4.4.2 检验结果 |
| 4.5 本章小结 |
| 第5章 信息质量对用户融入意愿影响的实证分析 |
| 5.1 研究设计 |
| 5.1.1 变量释义及问卷设计 |
| 5.1.2 预调研与量表修正 |
| 5.1.3 正式调研与描述性统计 |
| 5.2 信度和效度检验 |
| 5.2.1 信度检验 |
| 5.2.2 效度检验 |
| 5.3 假设检验分析 |
| 5.3.1 结构模型分析 |
| 5.3.2 中介效应分析 |
| 5.3.3 调节效应分析 |
| 5.4 假设检验结果分析 |
| 5.4.1 假设检验结果 |
| 5.4.2 研究结果讨论 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 研究主要结论 |
| 6.2 管理启示 |
| 6.3 研究局限与展望 |
| 参考文献 |
| 附录 正式调查问卷 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（10）保险领域知识问答系统的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 课题背景 |
| 1.2 知识问答系统的研究现状 |
| 1.3 研究内容 |
| 1.3.1 课题内容 |
| 1.3.2 本人承担任务 |
| 1.4 论文结构 |
| 第二章 关键技术综述 |
| 2.1 问句理解 |
| 2.1.1 问句理解概述 |
| 2.1.2 相关技术 |
| 2.2 问句分类 |
| 2.2.1 问句分类概述 |
| 2.2.2 相关技术 |
| 2.3 问句匹配 |
| 2.3.1 问句匹配概述 |
| 2.3.2 相关技术 |
| 2.4 主要开发工具 |
| 2.4.1 Spring |
| 2.4.2 SpringMVC |
| 2.4.3 Mybatis |
| 2.5 本章小结 |
| 第三章 问句组合分类模型的研究 |
| 3.1 问句分类背景 |
| 3.2 组合分类模型概述 |
| 3.3 组合分类模型原理 |
| 3.3.1 MLP分类模型 |
| 3.3.2 CNN分类模型 |
| 3.3.3 LSTM分类模型 |
| 3.3.4 组合分类模型 |
| 3.4 实验设计及结果 |
| 3.4.1 实验数据说明 |
| 3.4.2 实验设计 |
| 3.4.3 实验结果 |
| 3.4.4 实验结果分析 |
| 3.5 本章小结 |
| 第四章 知识问答系统的需求分析与概要设计 |
| 4.1 系统需求分析 |
| 4.1.1 系统业务分析 |
| 4.1.2 系统角色分析 |
| 4.1.3 系统功能性需求分析 |
| 4.1.4 系统非功能性需求分析 |
| 4.2 系统整体架构设计 |
| 4.2.1 系统物理部署结构设计 |
| 4.2.2 系统软件层次架构设计 |
| 4.2.3 系统功能模块设计 |
| 4.3 问答功能技术流程 |
| 4.4 数据库设计 |
| 4.4.1 数据库E-R关系图 |
| 4.4.2 数据库表设计 |
| 4.5 本章小结 |
| 第五章 知识问答系统的功能模块的详细设计与实现 |
| 5.1 离线知识储备模块的设计与实现 |
| 5.1.1 数据预处理 |
| 5.1.2 词向量模型 |
| 5.1.3 知识库构建 |
| 5.1.4 问句分类模型 |
| 5.2 在线实时演算模块的设计与实现 |
| 5.2.1 问句理解 |
| 5.2.2 问句分类 |
| 5.2.3 问句匹配 |
| 5.2.4 Web交互 |
| 5.3 用户管理模块的设计与实现 |
| 5.3.1 信息管理 |
| 5.3.2 权限管理 |
| 5.4 本章小结 |
| 第六章 系统测试 |
| 6.1 功能测试 |
| 6.2 非功能测试 |
| 6.3 系统测试结果分析 |
| 6.4 本章小结 |
| 第七章 结束语 |
| 7.1 论文工作总结 |
| 7.2 问题和展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
四、邮电管理知识问答（论文参考文献）
- [1]基于知识图谱的多轮问答系统[D]. 徐梦婷. 南京邮电大学, 2020(03)
- [2]面向知识问答社区的专家推荐机制与答案摘要算法的研究[D]. 宋建. 南京邮电大学, 2020(02)
- [3]基于知识图谱的乒乓球问答系统的语义匹配算法研究[D]. 郭苗苗. 南京邮电大学, 2020(02)
- [4]基于深度学习的结构化数据问答方法研究[D]. 朱署光. 北京邮电大学, 2020(01)
- [5]面向医疗健康领域的问答系统关键技术研究与实现[D]. 陈志豪. 重庆邮电大学, 2019(02)
- [6]科技政策智能问答系统架构及关键算法研究[D]. 谭云丹. 重庆邮电大学, 2020(02)
- [7]面向智慧物流的人工智能问答模式与应用研究[D]. 于敏敏. 重庆邮电大学, 2020(02)
- [8]基于中文知识图谱的金融领域问答系统的研究与实现[D]. 彭鑫. 重庆邮电大学, 2020(02)
- [9]在线医疗问答社区的信息质量对用户融入意愿的影响研究[D]. 杨腾. 重庆邮电大学, 2020(02)
- [10]保险领域知识问答系统的研究与实现[D]. 赵晓彤. 北京邮电大学, 2019(08)