我正计划使用NLP开发自然语言问题系统 . 我已经进行了关于适用于NLQ系统的可能算法的文献研究 .
在完成工具之后，最终用户应该能够向系统提出问题，系统将以表格的形式给出答案，以图形的形式显示答案 .
此外，应答部分已经完成 . 编程将在Python中进行，使用PyNLPl库 .
主要工具已经可以执行数学运算并总结这些运算的结果 . 用户应该能够提出以下问题：
-
"How were the sales on a rainy day in the month january?"
-
"What is the amount of ... of the whole of Europe"
这个问题并不是主观的，正如我之前提到的，我做过文学研究 . 我正确选择了我找到的算法列表 . 我的决定是：
-
POST，Chunking，命名实体提取
-
解析
-
主题建模和关键字提取 .
每个子弹点的算法将是：
-
条件随机场 - 隐马尔可夫模型
-
CKY算法 - Earley算法
-
Latend Dirichlet Allocation
此外，问题中应该提到的变量不是独立的 . Naive Bayes在这种情况下也适用吗？所选算法应优于其余算法并使其最佳拟合 .
1 回答
我一直在阅读和阅读，并找到几乎所有问题的答案 . 我坚持使用Early算法，因为它提供了动态编程方法（CKY也是如此） . 两种算法都是图表解析算法 .
Earley是一种无上下文，自上而下的解析算法 . 这使它成为一个目标驱动的算法 . 从开始符号开始 . 此外，它比CKY算法更有效 . 幻灯片的比较和解释：https://www.cs.bgu.ac.il/~michaluz/seminar/CKY1.pdf
注意：Earley和CKY解析算法只会产生一个解析树，无法完成任何操作 . 但是，使用例如shift-reduce依赖解析算法除了解析和校准句子结构之外，不仅给出了语义词之间的依赖关系，这些依赖关系也可以用于问题中的关系提取 . 为了真正理解这个问题 .