句子相似度计算新方法及在问答系统中的应用

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (1): 165-167.

句子相似度计算新方法及在问答系统中的应用

周法国,杨炳儒

北京科技大学信息工程学院，北京 100083

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-01-01 发布日期:2008-01-01
通讯作者: 周法国

New method for sentence similarity computing and its application in question answering system

ZHOU Fa-guo,YANG Bing-ru

School of Information Engineering，University of Science and Technology Beijing，Beijing 100083，China

Received:1900-01-01 Revised:1900-01-01 Online:2008-01-01 Published:2008-01-01
Contact: ZHOU Fa-guo

摘要/Abstract

摘要： 计算句子的相似度在机器问答、机器翻译、文本分类等系统中有着非常重要的作用。该文对基于相同关键词的句子相似模型作了进一步的改进，包括关键词抽取，以及在句子相似度的定义中引入同义词以及近义词的情形。并以此为基础，实现了一个基于常问问题集的中文自动问答系统，对用户以自然语言输入的问题，该系统能够自动地在FAQ（Frequently-Asked Question）库中寻找候选问题集，通过计算句子相似度，将匹配的答案返回给用户。该系统还能够自动地更新和维护FAQ库。实验结果表明，这种新方法在问答系统中匹配问句时比其他方法具有较高的准确率。

关键词: 自然语言处理, 句子相似度, 常问问题集, 问答系统

Abstract: Sentence similarity computing plays an important role in machine question-answering systems，machine-translation systems，text categorization systems，etc.Aiming at a sentence similarity model based on key words，an improved method is put forward，including the extraction of keywords，and the induction of synonyms in sentence similarity definition.And on this basis，a question answer system based on FAQ（Frequently Asked Question） is implemented.This system involves automatically searching for candidate question set，computing sentence similarity and returning the answer to the user.This system can also automatically update and maintain FAQ.Experiments’ result shows that the new method has more accuracy than the others in matching questions of question answering system.

Key words: natural language processing, sentence similarity, Frequently Asked Question, question answer

周法国,杨炳儒. 句子相似度计算新方法及在问答系统中的应用[J]. 计算机工程与应用, 2008, 44(1): 165-167.

ZHOU Fa-guo,YANG Bing-ru. New method for sentence similarity computing and its application in question answering system[J]. Computer Engineering and Applications, 2008, 44(1): 165-167.

[1]	韩东方，吐尔地·托合提，艾斯卡尔·艾木都拉. 问答系统中问句分类方法研究综述[J]. 计算机工程与应用, 2021, 57(6): 10-21.
[2]	刘博闻，范春晓. 基于位置感知能力胶囊网络的实体关系提取[J]. 计算机工程与应用, 2021, 57(6): 101-107.
[3]	廖文雄，曾碧，徐雅芸. 结合一维扩展卷积与Attention机制的NLP模型[J]. 计算机工程与应用, 2021, 57(4): 114-119.
[4]	江洋洋，金伯，张宝昌. 深度学习在自然语言处理领域的研究进展[J]. 计算机工程与应用, 2021, 57(22): 1-14.
[5]	袁勋，刘蓉，刘明. 融合多层注意力的方面级情感分析模型[J]. 计算机工程与应用, 2021, 57(22): 147-152.
[6]	武书钊，李功权，卜明伟. 基于知识图谱的自杀倾向检测问答系统构建[J]. 计算机工程与应用, 2021, 57(22): 304-312.
[7]	杨泉. N1+N2结构语法关系判定的SVM算法[J]. 计算机工程与应用, 2021, 57(20): 104-108.
[8]	焦凯楠，李欣，朱容辰. 中文领域命名实体识别综述[J]. 计算机工程与应用, 2021, 57(16): 1-15.
[9]	杨延娇，赵国涛，王丕栋. 基于语义与情感的句子相似度计算方法[J]. 计算机工程与应用, 2021, 57(16): 151-158.
[10]	刘畅，阿布都克力木·阿布力孜，姚登峰，哈里旦木·阿布都克里木. 维吾尔语形态分析研究综述[J]. 计算机工程与应用, 2021, 57(15): 42-61.
[11]	李智，王震，杨赋庚，奚雪峰. 基于表格的自动问答研究与展望[J]. 计算机工程与应用, 2021, 57(13): 67-76.
[12]	包玥，李艳玲，林民. 抽取式机器阅读理解研究综述[J]. 计算机工程与应用, 2021, 57(12): 25-36.
[13]	何玉洁，杜方，史英杰，宋丽娟. 基于深度学习的命名实体识别研究综述[J]. 计算机工程与应用, 2021, 57(11): 21-36.
[14]	郝超，裘杭萍，孙毅，张超然. 多标签文本分类研究进展[J]. 计算机工程与应用, 2021, 57(10): 48-56.
[15]	孙凌浩. 利用翻译模型的跨语言中文命名实体识别[J]. 计算机工程与应用, 2021, 57(10): 94-100.