基于语义抽取的机器阅读理解是目前人工智能与大数据相结合的热点应用之一。针对复杂多文本机器阅读理解任务中的语义理解与答案提取问题，提出一种结合外部知识的动态多层次语义理解与答案抽取模型。首先，利用改进的门控单元循环神经网络匹配文本内容与问题集;然后，分别在向量化文本内容及问题集上实施多维度动态双向注意力机制分析，提高语义匹配精度;接着，利用动态指针网络确定问题答案范围，改进网络模型语义匹配效率，降低答案提取冗余度;最后，结合外部知识与经验改进候选答案精准性排序，得到最终答案。实验以Wikilinks 数据作为外部知识，在主流MS-MARCO英文数据集与DuReader 中文数据集上进行测试分析，并与ReasoNet、FastQAEXT、R-Net、S-Net、Verification model 等主流模型进行对比，本文模型语义匹配与答案提取精度显著提升。同时，对不同领域的复杂文本阅读理解任务具有较高鲁棒性。
暂无评论