基于潜在语义索引（LSI）和卷积神经网络（CNN）的深度智能阅读模型.zip

# 智能阅读模型 ## 概述 总体分为两部分：第一部分关键词匹配，第二部分精准匹配，最后选择置信度最高的正确回答。 第一部分可使用 TF-IDF、LSI 等传统方法。 第二部分可使用 基于深度学习的问答系统。 本文主要构建第二部分，第一部分可参考：https://github.com/littleredhat1997/doc-similarity ## 下载数据 1. http://www.tipdm.org/jingsa/1253.jhtml train_data_complete.json、test_data_sample.json、submit_sample.txt => main/data 文件夹 2. https://spaces.ac.cn/archives/4338 me_train.json => generalization/data 文件夹 ## 运行项目 ``` $ ...... 1. word2vec/step.ipynb -> word2vec/word2vec.ipynb 2. main/data/data.ipynb -> main/data/1xxxxxx.ipynb main/data/2xxxxxx.ipynb main/data/3xxxxxx.ipynb main/data/4xxxxxx.ipynb main/data/5xxxxxx.ipynb -> main/evaluate.ipynb 3. test/data/newdata.ipynb -> test/data/data.ipynb -> test/predict.ipynb -> test/evaluate.ipynb $ tree . ├── word2vec │ ├── step.ipynb │ └── word2vec.ipynb ├── main │   ├── data │   │   └── data.ipynb │   ├── 1_FastText.ipynb │   ├── 2_CNN1.ipynb │   ├── 3_CNN2.ipynb │   ├── 4_BiLSTM.ipynb │   ├── 5_Attention.ipynb │   └── evaluate.ipynb └── test    ├── data    │   ├── data.ipynb    │   └── newdata.ipynb    ├── evaluate.ipynb    └─── predict.ipynb ``` ## 模型设计 1. FastText  2. CNN  3. Bi-LSTM  4. Attention