دسته‌بندی پرسش‌ها با استفاده از ترکیب دسته‌بندها

هدف از تولید و گسترش سامانه های پرسش و پاسخ، ایجاد پاسخ دقیق برای پرسش داده شده به زبان طبیعی است. یکی ازمهم ترین بخش های سامانه های پرسش و پاسخ، دسته بندی پرسش است. عمل دسته بندی پرسش، پیش بینی نوع پاسخ مورد نیاز برای پرسش داده شده به زبان طبیعی است. کارهای انجام شده در این زمینه را می توان در دو دسته مبتنی بر قانون و مبتنی بر یادگیری تقسیم کرد. در این مقاله یک معماری جدید برای دسته بندی ترکیبی پرسش ها ارائه شده است، نتایج هریک از دسته بندها توسط پنچ روش رای گیری وزن دار، فضای دانش رفتار، بیز ساده، کلیشه تصمیم و دمپستر شفر ترکیب شده و خروجی نهایی را شکل می دهد. این روش ترکیبی متشکل از دو دسته بند مبتنی بر یادگیری ماشین (ماشین بردار پشتیبان و نمایش پراکنده) و یک دسته بند مبتنی بر قانون استفاده شده است. عملیات دسته بندی مبتنی بر یادگیری با توجه به مجموعه ویژگی های استخراج شده از پرسش ها انجام می پذیرد. این ویژگی ها براساس ساختار لغوی و نحوی پرسش ها استخراج شده اند. در پایان نتایج حاصل از دسته بندها با روش های معمول در ترکیب دسته بندهای تک طبقه ترکیب شده اند و نتایج حاصل بیان کننده بهبود عملیات دسته بندی نسبت به روش های موجود است.

Question Classification using Ensemble Classifiers

Question answering systems are produced and developed to provide exact answers to the question posted in natural language. One of the most important parts of question answering systems is question classification. The purpose of question classification is predicting the kind of answer needed for the question in natural language. The literature works can be categorized as rulebased and learningbased methods. This paper proposes a novel architecture for hybrid classification of questions. The results of the classifiers were combined by five methods of Weighted Voting, Behavior Knowledge space, Naive Bayes, Decision Template and DempsterShafer. The method uses a combination of two classifiers based on machine learning (Support Vector Machine and Sparse Representation) and one rulebased classifier. The learningbased classification uses the set of features extracted from the questions. The features are extracted on the basis of the lexical and syntactic structure of the questions. The results from the classifiers were combined by the methods that are common in the combination of oneclass classifiers and the Obtained results indicate the improvement of the classification operations in comparison with the present methods.