我正计划使用NLP开发一个自然语言问题系统。我对适用于NLQ系统的可能算法进行了文献研究。
最终用户在完成该工具后，应该能够向系统提出问题，系统依次以表格的形式给出答案。该表格将以图形的形式显示答案。
此外，回答部分已经完成。编程将使用PyNLPl库在Python中进行。
主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：
- "一月雨天的销售情况如何？">
- "整个欧洲的……数量是多少">
这个问题不是主观的，正如我之前提到的，我做了文献研究。我对我发现的算法列表进行了适当的选择。我的决定是：
- POST、Chunking、命名实体提取
- 正在分析
- 主题建模和关键词提取
每个要点的算法为：
- 条件随机场-隐马尔可夫模型
- CKY算法-Earley算法
- 潜在狄利克雷分配
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？所选择的算法应该优于其他算法，并达到最佳拟合。
我一直在阅读，几乎找到了所有问题的答案。我坚持Early算法，因为它提供了一种动态编程方法(CKY也这样做)。这两种算法都是图表解析算法。
Earley是一种上下文无关、自上而下的解析算法。这使它成为一种目标驱动的算法。从开始符号向下。此外，它比CKY算法更有效。比较和解释幻灯片：https://www.cs.bgu.ac.il/~michaluz/研讨会/CKY1.pdf
注意：Earley和CKY解析算法只会产生一个无法执行任何操作的解析树。然而，使用例如shift reduce依赖性解析算法，除了解析和标定句子结构之外，不仅可以给出真实单词之间的依赖性，这些依赖性还可以用于问题中的关系提取。为了真正理解这个问题。