Resumen

El aprendizaje profundo es la tecnología crucial en las tareas de investigación de respuesta a preguntas inteligentes. En la actualidad, se han realizado amplios estudios sobre la respuesta a preguntas adoptando los métodos del aprendizaje profundo. El reto es que no sólo se requiere un modelo de comprensión semántica eficaz para generar una representación textual, sino que también es necesario tener en cuenta la interacción semántica entre las preguntas y las respuestas simultáneamente. En este trabajo, proponemos una red neuronal apilada de memoria a corto plazo bidireccional (BiLSTM) basada en el mecanismo de coattention para extraer la interacción entre preguntas y respuestas, combinando la similitud del coseno y la distancia euclidiana para puntuar las frases de preguntas y respuestas. Los experimentos se prueban y evalúan en el conjunto de datos de la Conferencia de Recuperación de Textos (TREC) 8-13, de acceso público, y en el conjunto de datos de Wiki-QA. Los resultados experimentales confirman que el modelo propuesto es eficiente y, en particular, alcanza una precisión media (MAR) de 0,7613 y un rango recíproco medio (MRR) de 0,8401 en el conjunto de datos TREC.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:aprendizaje profundo, conferencia de recuperación de texto, largo corto bidireccional, rango recíproco de medios, preguntas, largo bidireccional apilado, recuperación de texto disponible, modelo de comprensión semántica, precisión media, representación textual
• Keywords:deep learning, text retrieval conference, bidirectional long short, means reciprocal rank, questions, stacked bidirectional long, available text retrieval, semantic understanding model, means average precision, textual representation