现代阅读理解分析论文提纲

论文题目：中文阅读理解选择题求解技术研究

摘要：机器阅读理解是当前人工智能热点研究方向,涉及自然语言处理、机器学习等多领域核心技术,在聊天机器人、问答系统中具有广泛应用。阅读理解任务的目标在于理解一篇文档并对与阅读内容相关的问题进行解答,它更注重问题与背景材料间的语义分析。本文面向北京语文高考文学类作品阅读理解选择题,聚焦微阅读模式研究自动解答技术。首先深入分析选择题特点,并将自动解答过程分解为候选句抽取和文本蕴含两个部分,其次提出多种答案候选句抽取方法和基于层次深度神经网络的多对一蕴含模型,最后在近十年北京高考语文试卷上进行了测试,具体工作如下:（1）选择题及选项分析。本文具体分析了高考文学类阅读理解选择题的特点。从选择题概述、选择题的类型及答题技术进行了全面详细的分析,进而将阅读理解选择题解答过程分解为候选句抽取及文本蕴含识别两部分。（2）选项候选句抽取。我们将选项候选句抽取看成是语义相关度计算问题,采用了4种方法进行候选句的抽取,分别为基于词重叠的候选句抽取,基于词向量的句子相似度方法,基于LDA的句子主题分布方法和基于topical word embedding的句子相似度方法。在人工标注的北京语文高考选择题数据集中对四种方法进行测试,结果显示,基于词向量的句子相似度的候选句抽取方法效果最好,达到了40.2%的F值。（3）文本蕴含识别。针对阅读理解中蕴含的多句-单句的特点,提出了一种能很好融合句子语义信息和句间语义信息的层级神经网络识别多对一文本蕴含的方法。选项语义片段常常对应原文一个或多个句子的内容,我们首先采用规则对选项进行子句划分;然后采用层级神经网络对选项子句集和候选句集进行语义表示;最后,利用相乘或拼接或相减的方式融合选项与候选句集的语义信息进行分类。该方法在高考现代文阅读理解蕴含数据集上的准确率为58.92%。（4）选择题解答系统。本文将候选句抽取和文本蕴含两项技术结合起来,构建了选择题阅读理解解答系统,并设计了多种高考文学类作品阅读理解选择题自动解答策略,最好策略在过去近十年的高考试卷上达到了57.14%的题目准确率。

关键词：阅读理解;选择题;候选句抽取;多对一文本蕴含

学科专业：计算机软件与理论

中文摘要

ABSTRACT

第一章 绪论

1.1 绪论

1.1.1 研究背景及意义

1.1.2 课题来源

1.2 国内外研究现状

1.2.1 阅读理解研究现状

1.2.2 候选句抽取研究现状

1.2.3 文本蕴含研究现状

1.3 本文研究内容

1.4 论文的组织结构

第二章 高考阅读理解选择题分析

2.1 阅读理解选择题概述

2.2 阅读理解选择题分类

2.3 阅读理解解答技术分析及挑战

2.4 本章小结

第三章 候选句抽取关键技术研究

3.1 问题形式化描述

3.2 候选句抽取方法

3.2.1 基于词向量的句子相似度方法

3.2.2 基于LDA的句子主题分布方法

3.2.3 基于topicalwordembedding的句子相似度方法

3.3 实验结果

3.3.1 实验设计

3.3.2 结果与分析

3.4 本章小结

第四章 文本蕴含关键技术研究

4.1 任务分析

4.2 基于层级神经网络的中文文本蕴含

4.2.1 LSTM

4.2.2 层级LSTM

4.2.3 基于层级神经网络的多对一文本蕴含

4.2.4 基于层级attention的多对一文本蕴含识别

4.3 实验结果

4.3.1 实验设计

4.3.2 结果与分析

4.4 本章小结

第五章 高考阅读理解选择题解答系统

5.1 系统解答的相关方法

5.2 解题结果与分析

第六章 结论与展望

6.1 结论

6.2 展望

参考文献

致谢

个人简况及联系方式