Вопросно-ответные системы презентация

Содержание

Слайд 1Вопросно-ответные системы
Анатолий Никитин гр.3539
Павел Райков гр.3539
Friendly software should listen and speak

…

Слайд 2План
Введение
QA-система Start
Статистические техники для анализа естественного языка
Восстановление смысловых связей
Ссылки

Слайд 3Введение

Слайд 4Вопросно-ответные системы Определение
Вопросно-ответная система:
информационная система
Поисковая
Справочная
Интеллектуальная
использует естественно-языковой интерфейс

Слайд 5Источники информации
Сеть Интернет
Проблема доступа к внешним ресурсам
Локальное хранилище
Необходимость хранения локальной копии

информации

Слайд 6История и области применения QA-систем
1960-е гг. – первые QA-системы
Использовались как естественно-языковые

оболочки для экспертных систем
Современные QA-системы:
Узкоспециализированные (closed-domain)
Области применения:
Медицина
Автомобили
Справочная информация
Японцы
…
Требования к точности ответов
Составление онтологий для предметных областей
Общие (open-domain)
Универсальность
Наиболее известная система – Start (1993 г.)

Слайд 7Архитектура QA-системы


Слайд 8Проблемы
Типы вопросов
Обработка вопросов
Контекстные вопросы
Источники знаний для QA-систем
Выделение ответов
Формулировка ответа
Ответы на вопросы

в реальном времени
Многоязыковые запросы
Интерактивность
Механизм рассуждений (вывода)
Профили пользователей QA-систем

Слайд 9Вопросно-ответная система Start

Слайд 10QA-система Start.
http://start.csail.mit.edu
Создана в MIT Artificial Intelligence Laboratory в 1993 году

под руководством Boris Katz
Универсальная
Использует английский язык
Источники знаний:
локальное хранилище (База Знаний)
сеть Интернет
Основания системы Start:
Применение особых методов NLP, разработанных специально для системы Start
Идея создания аннотаций на естественных языках к блокам информации

Слайд 11Start. Виды вопросов
Вопросы об определениях:
What is a fractal?
Вопросы о фактах:
Who invented

the telegraph?
Вопросы об отношениях:
What country is bigger, Russia or USA?
Списковые запросы:
Show me some poems by Alexander Pushkin
…


Слайд 12Start. Примеры вопросов
География
Give me the states that border Colorado.
What's the largest

city in Florida?
Show me a map of Denmark
List some large cities in Argentina
Which is deeper, the Baltic Sea or the North Sea?
Show the capital of the 2nd largest country in Asia
Искусство
When was Beethoven born?
Who composed the opera Semiramide?
What movies has Dustin Hoffman been in?

Слайд 13Start. Примеры вопросов
Наука и справочная информация
What is Jupiter's atmosphere made of?
Why

is the sky blue?
Convert 100 dollars into Euros
How is the weather in Boston today?
How far is Neptune from the sun?
Show me a metro map of Moscow.
История и культура
What countries speak Spanish?
Who was the fifth president of the United States?
What languages are spoken in the most populous country in Africa?
How many people live on Earth?

Слайд 14Start. База знаний
doc1
doc2
doc3
doc4
Parser







База Знаний


Generator






text



Слайд 15Start. База знаний
Состоит из 3-х частей:
Тернарные выражения (T-выражения)
Синтаксические/семантические правила вывода (S-правила)
Каталог

слов (Лексикон)

Слайд 16Start. Тернарные выражения
T-выражения – это выражения вида

отношение субъект>
В качестве объекта/субъекта одного T-выражения могут выступать другие T-выражения
Прилагательные, притяжательные местоимения, предлоги и другие части предложения используются для создания дополнительных T-выражений
Остальные атрибуты предложения (артикли, времена глаголов, наречия, вспомогательные глаголы, знаки препинания и т.д.) хранятся в специальной структуре History, связанной с T-выражением.


Слайд 17Start. Пример T-выражения
Parser
“Bill surprised Hillary with his answer”

answer>

Слайд 18Start. Обработка запросов с помощью T-выражений
Анализатор вопросов
Parser
“Whom did Bill surprise with

his answer?”

“Bill surprised whom with his answer?”

< with answer>

Whom = Hillary

“Bill surprised Hillary with his answer”

База Знаний

< with answer>

Генератор

Слайд 19Start. Обработка запросов с помощью T-выражений
Анализатор вопросов
Parser
“Did Bill surprise with his

answer?”

“Bill surprised Hillary with his answer?”

< with answer>

Yes!

“Yes, Bill surprised Hillary with his answer”

База Знаний

Генератор

Слайд 20Т-выражения vs. ключевые слова
The bird ate the young snake
The snake ate

the young bird
The meaning of life
A meaningful life
The bank of the river
The bank near the river

Слайд 21Т-выражения vs. ключевые слова
Ключевые слова:
Утрачивается информация о смысловых связях между словами
Тексты

сравниваются не со семантическим признакам, а по статистическим характеристикам ключевых слов
T-выражения:
Отражают порядок слов в предложении и смысловые связи между ними
Выразительной силы T-выражений достаточно для составления аннотаций на естественных языках
Эффективны при индексировании

Слайд 22What do frogs eat?
Поиск, основанный на T-выражениях выдал 6 ответов, из

которых 3 правильных:
Adult frogs eat mainly insects and other small animals, including earthworms, minnows, and spiders
One group of South American frogs feeds mainly on other frogs
Frogs eat many other animals, including spiders, flies, and worms
…

Слайд 23What do frogs eat?
Поиск, основанный на ключевых словах, выдал 33 результата,

в которых также встречались ответы на вопрос “What eats frog?” и просто совпадения слов “eat” и “frog”:
Bowfins eat mainly other fish, frogs, and crayfish
Cranes eat a variety of foods, including frogs, fishes, birds, and various small mammals.
…

Слайд 24=
Start. S-правила
=
Проблема:
Решение:


“Bill’s answer surprised Hillary”


“Bill surprised Hillary

with his answer”

< with answer>

Parser

Parser

Слайд 25Start. S-правила
S-правила описывают лингвистические вариации:
Лексические
Синонимы
Морфологические
Однокоренные слова
Синтаксические
Инверсии
Активный/пассивный залог
Притяжательные прилагательные
Также используются для

описания логических импликаций

Слайд 26Start. S-правила. Примеры

Слайд 27Start. S-правила
Некоторые S-правила могут использоваться в 2-х направлениях:
в прямом
при пополнении

базы знаний новыми T-выражениями
в обратном
при обработке запроса пользователя

Слайд 28Start. Лексикон
Некоторые S-правила применимы к группам слов
В Лексиконе содержатся перечень слов

языка, причем для каждого слова указан список групп, к которым оно относится

Слайд 29WordNet
Семантический лексикон английского языка
Состоит из синсетов (смыслов)
Синсет:
несколько синонимичных слов
описание значения
Одно слово

– несколько синсетов (значений)
150 000 слов, 115 000 синсетов, 207 000 пар «слово – синсет»

Слайд 30WordNet. Семантические отношения между синсетами
Существительные
Гиперонимы: Y – гипероним X, если X

– разновидность Y
Гипонимы: Y – гипоним X, если Y – разновидность X
Равные по рангу: X и Y равны по рангу, если у них общий гипероним
Голонимы: Y – голоним X, если X – часть Y
Меронимы: Y – мероним X, если Y – часть X

Слайд 31WordNet. Семантические отношения между синсетами
Глаголы
Двигаться – гипероним Бегать
Шептать – гипоним Говорить
Спать

– следование Храпеть
Ходить – равный по рангу Бегать

Слайд 32Start. WordNet
WordNet используется в системе Start при поиске совпадения с T-выражениями
Пусть

в базе есть T-выражение
Canary – гипоним Bird
На вопрос: “Can canary fly?” Start ответит “Yes”

Слайд 33Start. Omnibase
«Универсальная база»
Используется для выполнения запросов о фактах
Модель «объект-свойство-значение»
Пример: “Federico Fellini

is a director of La Strada”
Объект: La Strada
Свойство: director
Значение: Federico Fellini
Каждому объекту сопоставлен источник данных (data source):
Star Wars imdb-movie

Слайд 34Start. Omnibase. Примеры

Слайд 35


Start. Omnibase. Пример запроса
Анализ вопроса
“Who directed X?”, X = “Gone with

the wind”

“Gone with the wind”

imdb-movie

Omnibase

“Who directed gone with the wind?”

Start

Генерация запроса

Каталог объектов

Выполнение запроса

imdb-movie

“Victor Fleming”

Генерация ответа

“Victor Fleming directed Gone with the wind”

(get “imdb-movie” “Gone with the Wind” “Director”)

«обертка»

Слайд 36Start. Omnibase
Преимущества:
Единый формат запросов к базе
Естественность использования модели «объект-свойство-значение»
Недостатки:
Необходимость написания

«обертки» для каждого источника данных

Слайд 37Start. Список внешних источников данных
Wikipedia
The World Factbook 2006
Google
Yahoo
The Internet Movie Database
Internet

Public Library
The Poetry Archives
Biography.com
Merriam-Webster Dictionary
WorldBook
Infoplease.com
Metropla.net
Weather.com

Слайд 38Семантическая паутина
Новая концепция развития сети Интернет
Проблема машинного анализа информации, размещенной в

Сети
Вся информация в Сети должна размещаться на двух языках:
Человеческом
Компьютерном
Для создания компьютерного описания ресурса используется формат RDF (Resource Description Framework), основанный на:
Формат XML
Триплеты «Объект – Отношение – Субъект»

Слайд 39Start. Natural Language Annotations
Предлагается к каждому информационному блоку составлять аннотацию на

естественном языке
Компромисс между машинно-читаемым и естественным описанием информации
В базе знаний хранятся только аннотации с прикрепленными ссылками на источники
Эффективная организация доступа к информации произвольного типа:
Тексты
Изображения
Мультимедиа
Базы данных
Процедуры
Аннотации могут быть параметризованы

Слайд 40Start. Natural Language Annotations
Внедрение аннотаций:
Добавление аннотаций в RDF описания документов
Использование параметризованных

аннотаций (схем доступа к информации)
Использование схем поиска ответов


Слайд 41Start. Добавление аннотаций
How many people live in Kiribati?
What is the population

of the Bahamas?
Tell me Guam’s population.

Слайд 42Start. Добавление аннотаций

A Country in the CIA Factbook



rdf:resource="xsd:string"/>





Слайд 43Start. Параметризованные аннотации
What is the country in Africa with the largest

area?
Tell me what Asian country has the highest population density.
What country in Europe has the lowest infant mortality rate?
What is the most populated South American country?

Слайд 44Start. Параметризованные аннотации

what country in $region has the largest $attribute
?x a

:Country
?x map($attribute) ?val
?x :location $region
display(boundto(?x, max(?val)))


:population
:area
...



Слайд 45Start. Параметризованные аннотации
Is Canada’s coastline longer than Russia’s coastline?
Which country has

the larger population, Germany or Japan?
Is Nigeria’s population bigger than that of South Africa?

Слайд 46Start. Параметризованные аннотации

$country-1’s $att is larger than $country-2’s $att
?x a :Country
?x

map($att) ?val-1
?y a :Country
?y map($att) ?val-2
display(gt(?val-1, ?val-2)))


:population
:area
...



Слайд 47Start. Схема поиска ответа
What is the distance from Japan to South

Korea?
How far is the United States from Russia?
What’s the distance between Germany and England?
План ответа на такой вопрос:
Найти столицу одной страны
Найти столицу другой страны
Вычислить расстояние между ними

Слайд 48Start. Схема поиска ответа

distance between $country1 and $country2


what is the capital

of $country1 := ?capital1
what is the capital of $country1 := ?capital2
what is the distance between ?capital1 and ?capital2
:= ?distance


display(?distance)


Слайд 49Start. Natural Language Annotations
Преимущества:
Описание информации на универсальном, естественном языке
Одна параметризованная аннотация

может обрабатывать сотни вопросов
Автоматизация процесса составления аннотаций
Запросы к Omnibase также описываются с помощью аннотаций
Недостатки:
сложность внедрения

Слайд 50Start. Схема работы
вопрос
анализатор
вопросов
шаблон ответа
Parser
T-выражение
База знаний
WordNet
аннотация2
ответ
Запрос к Omnibase
ссылка
Omnibase
doc2
doc3
doc1
docN
аннотация1
Фильтр
passage1
passage2
passageM
генератор ответов
ответ
…
WWW

Слайд 51Start. Текущие разработки
Обработка составных запросов и их автоматическая декомпозиция
Наращивание баз с

целью повышения избыточности информации
Автоматизация анализа семантических связей в документах
Внедрение аннотаций
Особые стратегии поиска ответов для различных предметных областей

Слайд 52Статистические техники для анализа естественного языка

Слайд 53Пример
The dog ate.

Слайд 54Проблема
Salespeople sold the dog biscuits.

Слайд 55Определение части речи

Слайд 56Принцип выбора части речи




t – таг (det, noun,

…)
w – слово в тексте (can, will…)
p(t | w) – вероятность того, что таг t соответствует слову w
p(w | t) – вероятность того, что слово w соответствует тагу t
p(t1 | t2) – вероятность того, что t1 идёт после t2

Слайд 57Эффективность
Тупой – 90%
Современные – 97%
Человек – 98%

Слайд 58Скрытые модели Маркова

noun
house 0.001
stock 0.001

adj
large 0.004
small 0.005


det
a 0.245
the 0.586



0.218
0.475
0.45
0.0016

Слайд 59Другой подход (transformational tagging)
Применяем тупой алгоритм.
Есть набор правил:
Поменять у слова таг

X на таг Y, если таг предыдущего слова – Z.
Применяем эти правила сколько-то раз.
Работают быстрее
Тренировка HMM vs. Тренировка TT
(Отсутствие начальной базы)

Слайд 60Treebank
Строим на основе предложения деревья, пользуясь существующими грамматическими правилами.
Пример:
(s (np (det

The) (noun stranger))
(vp (verb ate)
(np (det the) (noun doughnut)
(pp (prep with) (np (det a) (noun fork)))))

Слайд 61Собственный Statistical Parser
Проверка
Есть готовые примеры из Pen treebank
Сравниваем с ними
Нахождение правил

для применения
Назначение вероятностей правилам
Нахождение наиболее вероятного

Слайд 62PCFG (Probabilistic context-free grammars)
sp → np vp

(1.0)
vp → verb np (0.8)
vp → verb np np (0.2)
np → det noun (0.5)
np → noun (0.3)
np → det noun noun (0.15)
np → np np (0.05)

Слайд 63Считаем вероятность построенного дерева
s – начальное предложение
– полученное нами

дерево
с – пробегает внутренние вершины дерева
r(c) – вероятность применения r для с

Слайд 64Построение собственной PCFG. Простой вариант.
Берём готовый Pen treebank
Считываем из него все

деревья
Читаем по каждому дереву
Добавляем каждое новое правило
P(правило) = количество его вхождений, делённое на общее количество

Слайд 65Two state-of-the-art statistical parsers. Markov grammars
Решают проблему существования очень редких правил
Идея

– вместо хранения правил, считаем вероятности того, что, например np = prep + …


p(t1 | f, t2) – вероятность появления тага t2 после тага t1 внутри формы f.


Слайд 66Lexicalized parsing
Каждой вершине дерева припишем слово (head), характеризующее её.
p(r |

h) – вероятность того, что будет применено правило r для узла с заданным h.
p(h | m, t) – вероятность того, что такой h является ребёнком вершины с head = m и имеет таг t.

Слайд 67Lexicalized parsing
Пример
(S (NP The (ADJP most troublesome) report)
(VP may

(VP be
(NP (NP the August merchandise trade deficit)
(ADJP due (ADVP out) (NP tomorrow)))))
p(h | m, t) = p(be | may, vp)
p(r | h) = p(posvp → aux np | be)

Слайд 68Lexicalized parsing
“the August merchandise trade deficit”
rule = np → det propernoun

noun noun noun

Слайд 69Восстановление смысловых связей (Causal Reconstruction)

Слайд 70Пример
Одна из нескольких парных дугообразных плоских костей, идущих от позвоночника к

грудной кости и составляющих грудную клетку.

Слайд 71Пример
Ребро. Одна из нескольких парных дугообразных плоских костей, идущих от позвоночника

к грудной кости и составляющих грудную клетку.

Существует ли для каждого ребра пара?
Из чего состоит грудная клетка?
Кратно ли количество рёбер 2?

Слайд 72Задача CR (Causal Reconstruction)
Имея такое описание предмета из энциклопедии, программа должна

уметь отвечать на содержательные вопросы.

Слайд 73Пространство переходов (Transition space)
Рассматриваем процессы, как цепочки переходов
The perception of causality
Качественные изменения
Пример
Удобно

генерировать из словесных докладов

Слайд 74Смысловое моделирование (Causal modeling)
Нефильтрованный ввод

Слайд 75Задачи человека, делающего входные данные для CR
Количество
Качество
Связность
Стиль

Слайд 76Проверка созданной модели

Слайд 77Проверка созданной модели
Количество
Добавляются ли новые объекты?
Качество
Согласованность
Выполнимость
Связность
Создание смыслового отношения на множестве объектов
Стиль
Можно

ли “ужать” созданную модель?


Слайд 78Упрощения. 3 типа предложений
Событийные
Задающие статические связи между объектами
Связывающие

Слайд 79Дополнительный ввод
Добавление новых статических связей и утверждений
Определение событий
Предшествующие события
Правила вывода
Правила подтверждения



Слайд 802 уровня понимания созданной модели
События
Объекты

Слайд 813 типа допустимых вопросов. Уровень объекта
Вопросы связанные с изменением атрибутов объекта с

течением времени
Что происходит с позицией курсора во время завершения работы Windows?

Слайд 823 типа допустимых вопросов. Уровень события
Отношение событий между собой
Как изменение длины волны

света влияет на изменение ширины интерфереционной полосы в опыте Фраунгофера?
Возможные отношения между событиями, описанными в вопросе, и уже созданной моделью
Как изменение влажности может повлиять на настроение?

Слайд 83Пространство переходов
Представление мира человеком с помощью событий и объектов
Восприятие времени как

последовательность breakpoint’ов
Качественное восприятие
Соединение изменений

Слайд 84Состояния против изменений (States vs. Changes)
Пример
Changes используются в речи

Слайд 85Пример
The contact between the steam and the metal plate appears.
The concentration

of the solution increases.
The appearance of the film changes.
The pin becomes a part of the structure.
The water remains inside the tank.

Слайд 86Пример
The contact between the steam and the metal plate appears.
The concentration

of the solution increases.
The appearance of the film changes.
The pin becomes a part of the structure.
The water remains inside the tank.

Слайд 87Классификация изменений Общая
APPEAR
DISAPPEAR
NOT-APPEAR
NOT-DISAPPEAR

Слайд 88Специализация для NOT-DISAPPEAR
Качественные атрибуты
Количественные атрибуты
DECREASE
NOT-DECREASE

Слайд 89Предикатная нотация
Название изменения
Атрибут
Объекты-участники
Точки времени

Слайд 90Пример
APPEAR(contact, , t1, t2)
INCREASE(concentration, the-solution, t3, t4)
CHANGE(appearance, the-film, t5, t6)
APPEAR(a-part-of,

, t7, t8)
NOT-DISAPPEAR(inside, ,
t9, t10)

Слайд 91Грамматики. Первая форма
::=

::=
the
{

{ | and } }*
::= CHANGE | APPEAR и т.д.
The concentration of the solution increases.

Слайд 92Грамматики. Вторая форма
::=

::=
[ []


{ { | and} }* ]
::= becomes | becomes not | remains | remains not
The water becomes a vapor.

Слайд 93Ссылки
CLEF. http://clef-qa.itc.it/
WordNetWordNet. http://wordnet.princeton.edu/
Pen treebank. http://www.cis.upenn.edu/~treebank/
Start. http://start.csail.mit.edu/
TREC. http://trec.nist.gov/
Eugene Charniak [1997], “Statistical

Techniques for Natural Language Parsing”
Gary C. Borchardt [1993], “Causal Reconstruction”



Слайд 94Ссылки
Boris Katz, Beth Levin [1988] “Exploiting Lexical Regularities in Designing Natural

Language Systems”
Boris Katz and Jimmy Lin. Annotating the Semantic Web Using Natural Language. September, 2002.
Boris Katz, Sue Felshin, Deniz Yuret, Ali Ibrahim, Jimmy Lin, Gregory Marton, Alton Jerome McFarland and Baris Temelkuran. Omnibase: Uniform Access to Heterogeneous Data for Question Answering. June, 2002.
SEMLP. http://semlp.com/
RCO. http://www.rco.ru/

Похожие презентации

Итоги учебной деятельности МОУ СОШ №3 171
Развитие орфографической зоркости у младших школьников 244
A NETWORK INTEGRATION COMPANY #VISION #COREVALUES #CULTURECODE 179
Учимся находить эпитеты, метафоры и сравнения на уроках чтения 842
Концепция по снижению выбросов СО2 от тепловых электростанций Россиии по захоронению уловленного СО2 252
КАЗНОКРАДСТВО В ГОРОДЕ N… 220

Обратная связь

Если не удалось найти и скачать презентацию, Вы можете заказать его на нашем сайте. Мы постараемся найти нужный Вам материал и отправим по электронной почте. Не стесняйтесь обращаться к нам, если у вас возникли вопросы или пожелания:

Email: Нажмите что бы посмотреть 

Что такое ThePresentation.ru?

Это сайт презентаций, докладов, проектов, шаблонов в формате PowerPoint. Мы помогаем школьникам, студентам, учителям, преподавателям хранить и обмениваться учебными материалами с другими пользователями.

Для правообладателей

Яндекс.Метрика