高级检索
近年来，随着教育信息化的不断深入，海量教育资源和教学数据不断累积，一些教育知识库被提出，这为数据驱动的智慧教育提供了良好的发展条件。基于教育知识库的问答方法能够为学习者提供即时的答疑辅导，进而有效提升学习者的学习兴趣和效率。然而，目前特定于教育领域的知识库问答研究较少，且开放领域的知识库问答方法大多独立地建模问句和候选答案实体，因而建模效果有限。基于此，提出一种基于问句感知图卷积网络的教育知识库问答方法。首先，针对特定问句，提取其中的问句描述信息和查询实体集，并分别通过Transformer和预训练的知识库嵌入进行处理得到两者的表示；其次，根据查询实体集从知识库中抽取候选答案集的子图，并通过双注意力的图卷积神经网络更新节点信息，其中注意力的得分分别利用问句描述信息和查询实体集的表示，进而实现问句感知；最后，融合问句描述信息、查询实体集和候选实体表示来计算得分，并预测答案。在真实数据集MOOC Q&A上进行实验，采用预测准确率和平均倒数排名的指标进行评估，实验结果表明提出的方法优于基准模型。
[图卷积网络（GCN）, 注意力, 教育知识库, 知识库问答（KBQA）, 知识图谱]
[蔺奇卡, 张玲玲, 刘均, 赵天哲]
近年来，随着教育信息化的不断深入，海量教育资源和教学数据不断累积，一些教育知识库被提出，这为数据驱动的智慧教育提供了良好的发展条件。基于教育知识库的问答方法能够为学习者提供即时的答疑辅导，进而有效提升学习者的学习兴趣和效率。然而，目前特定于教育领域的知识库问答研究较少，且开放领域的知识库问答方法大多独立地建模问句和候选答案实体，因而建模效果有限。基于此，提出一种基于问句感知图卷积网络的教育知识库问答方法。首先，针对特定问句，提取其中的问句描述信息和查询实体集，并分别通过Transformer和预训练的知识库嵌入进行处理得到两者的表示；其次，根据查询实体集从知识库中抽取候选答案集的子图，并通过双注意力的图卷积神经网络更新节点信息，其中注意力的得分分别利用问句描述信息和查询实体集的表示，进而实现问句感知；最后，融合问句描述信息、查询实体集和候选实体表示来计算得分，并预测答案。在真实数据集MOOC Q&A上进行实验，采用预测准确率和平均倒数排名的指标进行评估，实验结果表明提出的方法优于基准模型。
[图卷积网络（GCN）, 注意力, 教育知识库, 知识库问答（KBQA）, 知识图谱]
[蔺奇卡, 张玲玲, 刘均, 赵天哲]
46会员权益
近年来，随着教育信息化的不断深入，海量教育资源和教学数据不断累积，一些教育知识库被提出，这为数据驱动的智慧教育提供了良好的发展条件。基于教育知识库的问答方法能够为学习者提供即时的答疑辅导，进而有效提升学习者的学习兴趣和效率。然而，目前特定于教育领域的知识库问答研究较少，且开放领域的知识库问答方法大多独立地建模问句和候选答案实体，因而建模效果有限。基于此，提出一种基于问句感知图卷积网络的教育知识库问答方法。首先，针对特定问句，提取其中的问句描述信息和查询实体集，并分别通过Transformer和预训练的知识库嵌入进行处理得到两者的表示；其次，根据查询实体集从知识库中抽取候选答案集的子图，并通过双注意力的图卷积神经网络更新节点信息，其中注意力的得分分别利用问句描述信息和查询实体集的表示，进而实现问句感知；最后，融合问句描述信息、查询实体集和候选实体表示来计算得分，并预测答案。在真实数据集MOOC Q&A上进行实验，采用预测准确率和平均倒数排名的指标进行评估，实验结果表明提出的方法优于基准模型。
显示全部共0条评论
京公网安备 11010802032778号
评论
共0条评论