Question-answering-system

Магистерская диссертация по теме "Модель вопросно-ответной системы на основе онтологического подхода"

Презентация

Презентацию по работе можно посмотреть по указанной ссылке.

Аннотация

Наиболее частый сценарий применения вопросно-ответных систем состоит в следующем: пользователь системы в произвольной форме на естественном языке подаёт на вход вопрос (например, «что входит в состав класса вектор?») и получает ответ, содержащий набор определений и, желательно, список веб-страниц (элементов аннотирования концептов онтологии), подтверждающих корректность ответа.

Для того чтобы обеспечить взаимодействие пользователя с программным комплексом, и сокрытой внутри вопросно-ответной системы онтологией в частности, на естественном языке, необходимо проработать систему преобразования запросов пользователя во внутреннее представление системы, а также разработать способ обратного преобразования – из ответа системы в ответ на естественном языке.

В работе решаются следующие основные задачи:

• Разработать систему преобразования вопроса пользователя в запрос к онтологии.
• Выстроить адаптивный процесс взаимодействия вопросно-ответной системы с онто-семантическими сетями.
• Разработать систему преобразования результатов поиска по онтологии в ответ на естественном языке.
• Разработать рабочий прототип модели вопросно-ответной системы на основе онтологического подхода.

Результатом работы является модель вопросно-ответной системы на основе онтологического подхода, отработанная на онтологии профессионального математического знания OntoMathPro, с возможностью дальнейшего её совершенствования как в рамках расширения и развития базы знаний OntoMathPro, так и использования с любой другой базой знаний, построенной по онтологическому подходу.

В рамках выполнения данной магистерской диссертации в прототип модели вопросно-ответной системы были заложены как возможность отвечать на вопросы пользователя, так и посредством естественно-языкового запроса иметь возможность получать сведения о самой используемой онтологии. Данная функциональная возможность представляется, например, с помощью вопроса к системе «Сколько всего концептов в онтологии», из ответа на который можно узнать количественное наполнение используемой онтологии.

Диаграмма последовательности предлагаемой модели

Структура Карты преобразований

Элементы карты имеют следующую структуру:

1. Флаг наличия параметров в вопросе пользователя. Если установлено значение true, значит необходимо использовать модуль обработки вопросов с параметром, если false – модуль обработки общих вопросов.
2. Вариации (синонимичные формы) вопроса, решаемого SPARQL запросом данного элемента карты преобразований. Здесь через точку с запятой указываются все формы вопроса, который может быть решён данным преобразованием.
3. Соответствующие формулировкам вопроса варианты ответа – разделённые точкой с запятой формы ответа на естественном языке в количестве, равном количеству синонимичных форм вопроса, с указанием комбинацией символов “{0}” места, куда будет подставлена информация, полученная из используемого графа знаний.
4. Соответствующий шаблон SPARQL запроса.
5. Признак окончания очередного элемента карты преобразований.

Содержимое карты преобразований реализованного прототипа предлагаемой модели вопросно-ответной системы можно посмотреть по ссылке.

Алгоритм обработки вопроса

Демонстрация работы

Список использованных источников

1. Hilbert, M. How to Measure «How Much Information»? Theoretical, Methodological, and Statistical Challenges for the Social Sciences / M. Hilbert // International Journal of Communication. – 2012. – № 6. – P. 1042-1055.
2. Lyman, P. How much information / P. Lyman, H. R. Varian // University of California. – 2003.
3. Мочалова, А. В. Семантический анализатор русскоязычного текста для вопросно-ответной системы: диссертация … канд. техн. наук: 05.13.18 / Мочалова Анастасия Викторовна. – Петрозаводск, 2017. – 128 c.
4. Первичный семантический анализ: сайт – 2018. – URL: http://www.aot.ru/docs/seman.html (дата обращения: 21.02.2021).
5. Damljanovic, D. Natural language interfaces to ontologies: Combining syntactic analysis and ontology-based lookup through the user interaction / D. Damljanovic, M. Agatonovic, H. Cunningham // Extended Semantic Web Conference. – Springer, Berlin, Heidelberg, 2010. – P. 106-120.
6. Стемматизация и генерация словоформ в казахском языке для систем автоматической обработки текстов / В. Б. Барахнин и др. // Вычислительные технологии. – 2017. – Т. 22. – № 4.
7. Combining semantic information in question answering systems / P. Moreda et al // Information Processing & Management. – 2011. – V. 47. – № 6. – P. 870-885.
8. Образовательная математическая онтология OntoMathEdu: структура и отношения / Л. Р. Шакирова и др. // Научный сервис в сети Интернет: труды XXI Всероссийской научной конференции (23–28 сентября 2019 г., г. Новороссийск). М.: ИПМ им. МВ Келдыша. – 2019. – С. 653-661.
9. Guo, Q. Question answering based on pervasive agent ontology and Semantic Web / Q. Guo, M. Zhang // Knowledge-Based Systems. – 2009. – V. 22. – № 6. – P. 443-448.
10. Jung, H. Automated conversion from natural language query to SPARQL query / H. Jung, W. Kim // Journal of Intelligent Information Systems. – 2020. – P. 1-20.
11. Sarrouti, M. SemBioNLQA: A semantic biomedical question answering system for retrieving exact and ideal answers to natural language questions / M. Sarrouti, S. O. El Alaoui // Artificial Intelligence in Medicine. – 2020. – V. 102. – P. 101767.
12. Яхъева, Г. Э. Вопросно-ответная система для управления информационными рисками на основе теоретико-модельной формализации предметных областей / Г. Э. Яхъяева и др. // Информационные технологии. – 2017. – Т. 23. – № 2. – С. 97-106.
13. Мальковский, М. Г. Прикладное программное обеспечение: системы автоматической обработки текстов / М. Г. Мальковский, Т. Ю. Грацианова, И. Н. Полякова. // Издательский отдел факультета вычислительной математики и кибернетики МГУ им. М.В. Ломоносова. – Москва, 2000. – 7 с.
14. Онтологии и тезаурусы: модели, инструменты, приложения: учебное пособие / Б.В. Добров, В.В. Иванов, Н.В. Лукашевич, В.Д. Соловьев. – М.: Интернет-Университет Информационных Технологий; БИНОМ. Лаборатория знаний, 2009. – 173 с.: ил. – (Серия «Основы информационных технологий»).
15. Андреичев, М. Д. Разработка программного комплекса генерации вопросов по заданным субъектам при помощи семантической сети / М. Д. Андреичев, А. М. Бирюков // Молодёжная школа-конференция «Будущее математического образования». – 2021. – С. 8-11.
16. Vargas-Vera, M. AQUA–ontology-based question answering system / M. Vargas-Vera, E. Motta // Mexican International Conference on Artificial Intelligence. – Springer, Berlin, Heidelberg, 2004. – P. 468-477.
17. Филонов, Д. Р. Вопросно-ответная система для поддержки абитуриентов с использованием современных мессенджеров / Д. Р. Филонов и др. // Моделирование и анализ информационных систем. – 2018. – Т. 25. – № 4. – С. 411-420.
18. Наукометрия. Изучение развития науки как информационного процесса / В. В. Налимов, З. М. Мульченко. – Букинист, 1969. – 192 с.
19. Вебинар Clarivate. Вступление в наукометрию: сайт. – 2020. – URL: https://clarivate.ru/webinars (дата обращения: 01.12.2020). – Режим доступа: для зарегистрированных пользователей.
20. Вебинар Clarivate. Поиск в пристатейной литературе: доступные сокровища Web of Science: сайт. – 2020. – URL: https://clarivate.ru/webinars (дата обращения: 03.12.2020). – Режим доступа: для зарегистрированных пользователей.
21. OntoMathPro: центр математического связывания открытых данных: сайт. – 2016. – URL: https://github.com/CLLKazan/OntoMathPro (дата обращения: 16.12.2020).
22. Он-лайн форум Big Data 2021: сайт. – 2021. – URL: https://www.osp.ru/lp/bigdata2021 (дата обращения: 25.03.2021). – Режим доступа: для зарегистрированных пользователей.
23. Digital Decisions. Вопросно-ответные системы: о методах поиска ответа на запрос: сайт – 2021. – URL: https://ddecisions.ai/qasystems (дата обращения: 02.06.2021).
24. Среда описания ресурса (RDF): Понятия и Абстрактный Синтаксис: сайт – 2014. – URL: https://www.w3.org/2007/03/rdf_concepts_ru (дата обращения: 12.11.2020).
25. RDF Primer: сайт – 2014. – URL: https://www.w3.org/TR/rdf-primer (дата обращения: 14.11.2020).
26. Modeling and evaluation of the mathematical educational ontology / L. Shakirova et al. // CEUR Workshop Proceedings. – 2020. – V. 2543. – P. 305-319.
27. Nevzorova, O. OntoMathEdu Educational Mathematical Ontology: Annotation of Concepts. / O. Nevzorova et al. // SCOPUS16130073-2020-2648-SID85092283061. – 2020.
28. Nevzorova, O. A. OntoMath PRO ontology: a linked data hub for mathematics / O. A. Nevzorova et al. // International Conference on Knowledge Engineering and the Semantic Web. – Springer, Cham, 2014. – P. 105-119.
29. Berners-Lee, T. Linked Data. Design Issues / T. Berners-Lee // Linked Data: website. – 2006. – URL: https://www.w3.org/DesignIssues/LinkedData.html (дата обращения: 16.01.2021).
30. MSDN: Конфигурация в .NET Core: сайт. – 2021. – URL: https://docs.microsoft.com/ru-ru/aspnet/core/fundamentals/configuration/?view=aspnetcore-5.0 (дата обращения: 02.06.2021).
31. Beck, K. Test-driven development: by example. / K Beck. – Addison-Wesley Professional, 2003.
32. Исторический-сайт.рф: сайт. – 2020. – URL: https://исторический-сайт.рф (дата обращения: 14.06.2021).
33. Электронный фонд правовых и нормативно-технических документов: сайт. – 2012. – URL: https://docs.cntd.ru/document/9041994 (дата обращения: 14.06.2021).