知识问答中自然答案生成关键技术研究

Current question answering systems merely output a correct answering phrase/entity for each question. However, a solitary answer is not a good result of user-friendly interfaces, and most people prefer the correct answer that is replied with a more natural way (natural language sentence). In fact, most existing commercial knowledge services such as Siri will reply a natural answer for input questions, and artificial customer service will return to the user's natural language form of reply too. The goal of this application is to integrate question answering and dialogue, which is able to provide users the correct answer with a natural reply. The main tasks include: 1) Aiming at answering simple questions, we study the model for generating correct, coherent and fluent answers based on the global knowledge modeling and the forward and backward sequence-to-sequence (SEQ2SEQ) learning. 2) Aiming at answering complex questions, we study the unified model for generating proper answers through three kinds of word acquisition models (copy, retrieve and predict). 3）We study the natural answer generation model based on the fusion of long distance facts and implicit knowledge. 4) We devote to improve the practical degree of open domain knowledge-based question answering system, which is able to return the natural answer for each question. The achievements of this project own a great practical significance and have a strong application background.

当前知识问答是针对用户的问题提供精确的答案实体。但是，仅仅提供这种孤零零的答案实体并不是非常友好的交互方式，用户更希望接受到以自然语言句子表示的完整答案。实际上，包括SIRI在内的知识服务类应用都是返回完整句子形式的答案，人工客服等知识服务也会返回用户自然语言形式的回复。本课题的目标就是融合问答和对话，在知识问答服务中对用户提出的问题，提供包含正确内容的自然答案。具体研究内容包括：1) 使用基于全局知识和前后向生产模型回答简单问题，得到一致、流利的自然答案； 2) 融合拷贝、检索和预测三种词语获得模式，用统一的模型对其建模，最终对复杂问题生成一个合适的自然答案； 3) 研究融合长距离事实和隐含知识的自然答案生成模型； 4) 研制开放域知识问答系统，对于用户提出的问题返回自然答案，提高系统实用化程度。本课题研究成果具有非常明确的现实意义和强烈的应用背景，

当前知识问答系统仅能提供孤零零的答案实体，这不是非常友好的交互方式，用户更希望接受到以自然语言句子表示的完整答案，因此，知识问答中自然答案的生成在具有非常明确的现实意义和强烈的应用背景。本项目针对知识服务在真实场景中的应用需求，通过融合问答和对话技术，在知识问答服务中对用户提出的问句，提供包含正确内容的自然答案，针对上述目标，课题主要研究知识问答中的自然答案生成技术，致力于突破传统知识问答返回答案的单一性和不友好性，提高知识问答的易用性和智能化水平。具体来说，主要包括如下三部分研究内容：1）在问题语义理解方面：针对用户问题语义理解问题，提出基于问句转写和自适应解码的语义解析方法，有效改善不规范问题下的语义理解问题，提升知识匹配准确率；2）在自然回复生成方面：针对自然回复生成问题，从感知多样化上下文、避免通用回复、个性化回复、减少语义标注等角度研究融合知识的自然回复生成系列方法，有效提升知识服务系统回复的准确率；3）在多轮对话管理方面：在真实场景下，提出对话状态跟踪与多轮对话对齐方法，实现多轮对话的有效管理。在资助期间，这三点研究计划均取得较多成果，积累了大量问答和知识库数据资源，开发了多个面向具体领域的自然问答系统，通过对这上述内容的研究，真实场景中的自然问答性能有了较大的提升，能够在电商、医疗、司法等若干领域取得示范应用。整体来看，通过三年的努力，已完成项目目标。

内容获取失败，请点击重试