基于Bert語(yǔ)義的圖書(shū)館自動(dòng)咨詢方法研究

摘要：自動(dòng)咨詢服務(wù)是實(shí)現(xiàn)圖書(shū)館自動(dòng)化的重要手段，而傳統(tǒng)的圖書(shū)館咨詢服務(wù)系統(tǒng)面臨咨詢服務(wù)滿意度較低的問(wèn)題。針對(duì)問(wèn)題，文章提出基于Bert語(yǔ)義的圖書(shū)館自動(dòng)咨詢方法，該方法首先利用問(wèn)句理解模塊對(duì)問(wèn)句進(jìn)行語(yǔ)義分類(lèi)，其次采用問(wèn)句檢索模塊對(duì)讀者提出的問(wèn)題進(jìn)行匹配，隨后通過(guò)預(yù)訓(xùn)練模型Bert進(jìn)行答案句生成。在真實(shí)的問(wèn)題數(shù)據(jù)集上進(jìn)行測(cè)試，文中所提出的方法咨詢性能優(yōu)于傳統(tǒng)的咨詢方法，準(zhǔn)確率有了較大提高。

關(guān)鍵詞：圖書(shū)館; 自動(dòng)咨詢;?Bert語(yǔ)義; 答案生成

中圖分類(lèi)號(hào)：G250.7?文獻(xiàn)標(biāo)識(shí)碼：A

DOI： 10.13897/j.cnki.hbkjty.2021.0097

0?引言

自動(dòng)咨詢服務(wù)是實(shí)現(xiàn)圖書(shū)館自動(dòng)化的重要手段，它是圖書(shū)館開(kāi)展信息服務(wù)、普及專業(yè)知識(shí)的重要工具[1]。在傳統(tǒng)的信息咨詢服務(wù)模式下，圖書(shū)館員能否為讀者提供滿意的咨詢服務(wù)，往往取決于圖書(shū)館員對(duì)圖書(shū)館各方面的了解以及溝通能力。由于不同館員的溝通能力和知識(shí)水平不同，往往導(dǎo)致咨詢服務(wù)不滿意甚至有投訴現(xiàn)象的發(fā)生。此外，讀者經(jīng)常詢問(wèn)一些重復(fù)的問(wèn)題，導(dǎo)致咨詢服務(wù)的圖書(shū)館員工作量過(guò)大。可見(jiàn)，構(gòu)建一個(gè)高效的圖書(shū)館自動(dòng)咨詢系統(tǒng)是解決這類(lèi)問(wèn)題的有效途徑。

近年來(lái)，人工智能技術(shù)的快速發(fā)展，逐漸改變了傳統(tǒng)的信息咨詢服務(wù)模式，特別是深度學(xué)習(xí)技術(shù)在自然語(yǔ)言處理領(lǐng)域的成功應(yīng)用，為圖書(shū)館智能咨詢系統(tǒng)的設(shè)計(jì)和開(kāi)發(fā)提供了新的思路。針對(duì)傳統(tǒng)圖書(shū)館咨詢服務(wù)的不足，本文提出了基于Bert語(yǔ)義的圖書(shū)館自動(dòng)咨詢方法，構(gòu)建了圖書(shū)館智能咨詢系統(tǒng)，為國(guó)內(nèi)圖書(shū)館智能咨詢服務(wù)提供了一種新的解決方案。

1?研究現(xiàn)狀

隨著互聯(lián)網(wǎng)和數(shù)字技術(shù)的發(fā)展，圖書(shū)館的信息咨詢服務(wù)也有了長(zhǎng)足的進(jìn)步[2?3]。圖書(shū)館不同類(lèi)型的咨詢服務(wù)系統(tǒng)實(shí)現(xiàn)方法存在一定差異。目前，傳統(tǒng)咨詢系統(tǒng)中主要包括問(wèn)題理解、信息檢索和答案生成3個(gè)模塊[4]，這些模塊的實(shí)現(xiàn)方法屬于傳統(tǒng)模型。例如，問(wèn)句理解模型常用基于支持向量機(jī)的分類(lèi)模型[5]、KNN模型[6]以及最大熵模型[7]等，信息檢索模型通常使用BM25模型[8]、向量空間模型以及語(yǔ)言模型[9]等。答案生成模塊通常使用基于QANet的序列標(biāo)注模型[10]以及候選答案驗(yàn)證過(guò)程中使用的BIDAF[11]問(wèn)答匹配模型等。這種基于傳統(tǒng)模型的問(wèn)答系統(tǒng)往往需要人工進(jìn)行特征標(biāo)注，因此這種方法缺少針對(duì)不同領(lǐng)域數(shù)據(jù)處理的泛化能力。由于傳統(tǒng)模型的缺點(diǎn)，在面對(duì)不同種類(lèi)的咨詢問(wèn)題時(shí)，圖書(shū)館館員不得不對(duì)數(shù)據(jù)進(jìn)行人工標(biāo)注，并且標(biāo)注的準(zhǔn)確度直接依賴圖書(shū)館館員的經(jīng)驗(yàn)，這就造成了傳統(tǒng)的咨詢系統(tǒng)滿意度較低的現(xiàn)象。

近年來(lái)，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，為圖書(shū)館自動(dòng)咨詢系統(tǒng)提供了新的思路和解決方案，深度學(xué)習(xí)模型的優(yōu)勢(shì)在于能夠自動(dòng)捕獲文本的有效信息，使得圖書(shū)館咨詢系統(tǒng)中很多語(yǔ)義鴻溝問(wèn)題得到一定程度的改善或解決。端到端的深度學(xué)習(xí)模型減輕了人工標(biāo)注的大量工作，靈活多變的深度網(wǎng)絡(luò)結(jié)構(gòu)提供了強(qiáng)大的文本建模能力。本文借助深度學(xué)習(xí)方法對(duì)咨詢系統(tǒng)中的各個(gè)模塊進(jìn)行建模，試圖緩解圖書(shū)館咨詢系統(tǒng)中的語(yǔ)義鴻溝問(wèn)題，提升圖書(shū)館咨詢系統(tǒng)的性能。

2?方法描述

依據(jù)數(shù)據(jù)流在圖書(shū)館領(lǐng)域咨詢系統(tǒng)中的處理流程，本文所構(gòu)建的圖書(shū)館自動(dòng)咨詢系統(tǒng)主要包括3個(gè)模塊，包括問(wèn)句理解、信息檢索、答案生成三個(gè)功能組成部分，如圖1所示。首先，問(wèn)句理解模塊采用問(wèn)題分類(lèi)的方法對(duì)問(wèn)題進(jìn)行語(yǔ)義理解和劃分。隨后，根據(jù)問(wèn)句理解得到的查詢表示，信息檢索模塊借助語(yǔ)義詞典HowNet和詞向量知識(shí)庫(kù)，從FAQ語(yǔ)料庫(kù)中檢索相關(guān)信息，傳遞給后續(xù)的答案生成處理模塊。通過(guò)檢索模塊得到的信息，答案生成模塊利用BERT模型對(duì)本文進(jìn)行語(yǔ)義理解和推理，實(shí)現(xiàn)候選答案的抽取和答案的生成。最終，根據(jù)讀者提出的問(wèn)題返回簡(jiǎn)潔性、正確性的答案。

2.1?問(wèn)句分類(lèi)

問(wèn)句理解模塊是問(wèn)答系統(tǒng)了解用戶意圖的重要環(huán)節(jié)，問(wèn)題分類(lèi)就是對(duì)于給定的問(wèn)題，根據(jù)問(wèn)題的答案類(lèi)型把該問(wèn)題映射到給定的語(yǔ)義類(lèi)別中。問(wèn)題分類(lèi)作為問(wèn)答系統(tǒng)的一個(gè)重要子模塊，是咨詢系統(tǒng)所要處理的第一步，對(duì)咨詢系統(tǒng)的后繼模塊答案抽取和答案選擇有很好的指導(dǎo)作用。首先，問(wèn)題分類(lèi)能夠決定答案選擇策略，根據(jù)不同的問(wèn)題類(lèi)型調(diào)節(jié)對(duì)不同問(wèn)題的答案分析策略。其次，問(wèn)題分類(lèi)能有效地減少候選答案的空間，提高咨詢系統(tǒng)返回答案的準(zhǔn)確率。

為了測(cè)試本系統(tǒng)問(wèn)題分類(lèi)模塊的功能，本文整理了近5年山西省圖書(shū)館的日常咨詢問(wèn)題，將常見(jiàn)問(wèn)題分為6類(lèi)，如表1所示：

本文采用目前在分類(lèi)問(wèn)題上應(yīng)用較多的卷積神經(jīng)網(wǎng)絡(luò)CNN[12]（Couvolutional Neural Networks）模型對(duì)問(wèn)題進(jìn)行語(yǔ)義層面的表示，完成對(duì)問(wèn)題的有效分類(lèi)。將問(wèn)句以字的形式輸入模型中，通過(guò)卷積層、池化層和全連接層，最后通過(guò)softmax 函數(shù)確定每個(gè)類(lèi)別的概率，最終輸出每個(gè)問(wèn)題所對(duì)應(yīng)的語(yǔ)義類(lèi)型，CNN網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

2.2?問(wèn)句檢索

當(dāng)讀者提出的問(wèn)題進(jìn)入信息檢索模塊，檢索模塊檢索常用問(wèn)題集合（FAQ語(yǔ)料庫(kù)），通過(guò)計(jì)算FAQ知識(shí)庫(kù)中問(wèn)題與用戶提出問(wèn)句的相似度，將相似度大于一定閾值的問(wèn)句作為結(jié)果。如果找到相似的問(wèn)句，則返回FAQ知識(shí)庫(kù)中對(duì)應(yīng)的候選答案，如果沒(méi)有找到相似的候選句，則將檢索結(jié)果輸入答案生成模塊。

在進(jìn)行問(wèn)句相似度計(jì)算時(shí)，傳統(tǒng)的方法采用關(guān)鍵詞淺層匹配，導(dǎo)致與問(wèn)句語(yǔ)義相關(guān)的候選問(wèn)句相似度很低。例如，用戶提出問(wèn)題“帶電腦來(lái)圖書(shū)館工作，是否可以接外接電源？”，與常用問(wèn)題集合中“帶筆記本來(lái)圖書(shū)館學(xué)習(xí)，館里有插座嗎？”問(wèn)題語(yǔ)義相關(guān)，但是在關(guān)鍵字層面匹配度較低。在語(yǔ)義詞典和詞向量空間中，“電腦”與“筆記本”、“學(xué)習(xí)”與“工作”、“插座”與“電源”等詞語(yǔ)的語(yǔ)義距離較近。

2.3?答案生成

通常讀者提出的問(wèn)題種類(lèi)繁多，涉及到圖書(shū)館或者日常生活中的方方面面，經(jīng)常有一部分問(wèn)題不在常用候選數(shù)據(jù)集中出現(xiàn)。對(duì)于這些問(wèn)題，檢索模塊無(wú)法將答案檢索出來(lái)。針對(duì)該問(wèn)題，文本提出一種基于BERT的答案生成模型，對(duì)不常見(jiàn)問(wèn)題進(jìn)行答案生成。首先利用問(wèn)答語(yǔ)料庫(kù)中的問(wèn)題—答案對(duì)模型進(jìn)行訓(xùn)練，Bert模型可以對(duì)問(wèn)題和答案進(jìn)行語(yǔ)義表示和推理。隨后，將讀者提出的問(wèn)題輸入訓(xùn)練好的模型，通過(guò)Bert語(yǔ)義模型對(duì)讀者的咨詢問(wèn)題進(jìn)行答案生成。該問(wèn)題不僅包含分詞后的問(wèn)句，而且包含問(wèn)題的語(yǔ)義類(lèi)別，本文認(rèn)為，問(wèn)題的語(yǔ)義類(lèi)別可以幫助Bert模型進(jìn)行語(yǔ)義理解和推理，提高問(wèn)答系統(tǒng)返回答案的準(zhǔn)確率。

2.3.1?Bert模型

Bert模型的輸入特征：每個(gè)句子首部都會(huì)添加一個(gè)特殊符號(hào)“[CLS]”。文本將問(wèn)題理解模塊中預(yù)測(cè)的語(yǔ)義類(lèi)別加在符號(hào)“[CLS]”前面。為了對(duì)不同的句子進(jìn)行區(qū)分，在輸入序列中每個(gè)句子的末尾加入了特殊符號(hào)“[SEP]”。由于本文的任務(wù)是進(jìn)行圖書(shū)館咨詢解答，因此輸入序列是由兩個(gè)句子組成的句子對(duì)，即問(wèn)句—答案候選句。Bert模型的輸出特征：經(jīng)過(guò)多層編碼器對(duì)應(yīng)的融合問(wèn)句和答案候選句信息的語(yǔ)義表示。

3?實(shí)驗(yàn)

3.1?實(shí)驗(yàn)數(shù)據(jù)及評(píng)價(jià)指標(biāo)

本文的主要工作是設(shè)計(jì)并實(shí)現(xiàn)一種基于深度學(xué)習(xí)的自動(dòng)咨詢方法，輔助圖書(shū)館館員解決讀者在獲取和使用圖書(shū)館資源或者學(xué)術(shù)知識(shí)時(shí)遇到的疑問(wèn)。根據(jù)山西省圖書(shū)館辦證咨詢臺(tái)近五年讀者提出的常用問(wèn)題，本文構(gòu)建了常見(jiàn)問(wèn)題庫(kù)（FAQ語(yǔ)料庫(kù)），該問(wèn)題庫(kù)包括常用問(wèn)題以及問(wèn)題解答532對(duì)，內(nèi)容覆蓋入館須知、資源查找、借閱服務(wù)、網(wǎng)絡(luò)服務(wù)以及設(shè)施服務(wù)等。此外，為了彌補(bǔ)常見(jiàn)問(wèn)題庫(kù)不能覆蓋所有讀者提問(wèn)的不足，本文使用大規(guī)模中文語(yǔ)料庫(kù)對(duì)答案生成Bert模型進(jìn)行訓(xùn)練，選取了百度發(fā)布的大規(guī)模中文問(wèn)答語(yǔ)料 DuReader[16]數(shù)據(jù)集。該數(shù)據(jù)來(lái)源于百度知道和百度搜索中的真實(shí)問(wèn)題及回答，本文的實(shí)驗(yàn)選取了觀點(diǎn)類(lèi)型和描述類(lèi)型的數(shù)據(jù)，總計(jì)包括98 215個(gè)問(wèn)答對(duì)，設(shè)計(jì)內(nèi)容包括日常生活中的方方面面。

采用五倍交叉實(shí)驗(yàn)，將語(yǔ)料平均分成五份，使用其中一份作為測(cè)試集，其他四份作為訓(xùn)練集，重復(fù)五次實(shí)驗(yàn)，取平均值作為最終結(jié)果。在實(shí)驗(yàn)中，將測(cè)試集中的問(wèn)題提交給咨詢系統(tǒng) ，讓系統(tǒng)自動(dòng)地給出答案。然后把系統(tǒng)自動(dòng)找出的答案和測(cè)試集中的答案進(jìn)行對(duì)比。如果問(wèn)答系統(tǒng)給出的答案通過(guò)人工的對(duì)比基本正確 ，則可以判斷這個(gè)答案是正確的 ，否則可以判斷這個(gè)答案是錯(cuò)誤的。這樣就可以計(jì)算出咨詢系統(tǒng)的回答準(zhǔn)確率 ，公式如下：

3.2?模型參數(shù)設(shè)置

在問(wèn)句檢索模塊，β1：β2=0.4：0.6用來(lái)調(diào)節(jié)語(yǔ)義字典和詞向量權(quán)重對(duì)句子相似度影響。在答案生成模塊，BERT預(yù)訓(xùn)練模型是Google開(kāi)源的BERT-base模型，網(wǎng)絡(luò)結(jié)構(gòu)共12層，隱藏層有768維，采用12多頭注意力機(jī)制，學(xué)習(xí)率設(shè)置為0.00004，句子最大長(zhǎng)度設(shè)置為40，迭代輪數(shù)epoch設(shè)置為10，批量大小Batch_size設(shè)置為128。

3.3?實(shí)驗(yàn)結(jié)果及分析

3.3.1?不同問(wèn)句檢索方法比較

為了驗(yàn)證本文所提出的問(wèn)句檢索方法的有效性，同時(shí)為了與其他問(wèn)句相似度計(jì)算方法進(jìn)行比較，本文將基于關(guān)鍵字匹配作為基線方法（baseline），公式如下所示：

即計(jì)算兩個(gè)句子共現(xiàn)的關(guān)鍵詞個(gè)數(shù)與兩個(gè)句子詞個(gè)數(shù)的比值，數(shù)值越大，表示兩個(gè)句子越相似。本文將各種方法在常見(jiàn)問(wèn)題庫(kù)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)對(duì)比，實(shí)驗(yàn)結(jié)果如表2所示。

在表2中，本文將各種問(wèn)句檢索方法進(jìn)行對(duì)比。當(dāng)分別使用基于HowNet和Word2Vec進(jìn)行句子相似度計(jì)算時(shí)，咨詢系統(tǒng)的準(zhǔn)確率都比基于關(guān)鍵詞匹配的準(zhǔn)確率高，說(shuō)明兩種方法都可以克服關(guān)鍵詞匹配方法的不足。當(dāng)使用本文所提出的方法，綜合利用兩種相似度匹配方法時(shí)，系統(tǒng)的準(zhǔn)確率進(jìn)一步上升，說(shuō)明語(yǔ)義詞典和詞向量可以相互彌補(bǔ)各自的弱點(diǎn)。此外，在咨詢效果最好時(shí)，β1：β2=0.4：0.6，說(shuō)明詞向量要比語(yǔ)義字典的權(quán)重更大，這是由于詞向量是在真實(shí)語(yǔ)料庫(kù)中訓(xùn)練的，比語(yǔ)義字典更加適合句子相似度計(jì)算。

3.3.2?Bert模型與其他答案生成模型比較

為了驗(yàn)證本文所提出的Bert答案生成模型的有效性，同時(shí)為了與答案生成方法進(jìn)行比較，我們選取 BIDAF 模型[11] 和 QANet模型[10]與本文方法進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果如圖4所示。

BIDAF模型使用字符嵌入和詞嵌入相結(jié)合的方式，并且在模型中引入雙向注意力，最后通過(guò)指針網(wǎng)絡(luò)輸出答案片段。 QANet模型引入位置編碼來(lái)表示序列關(guān)系，編碼層將自注意力機(jī)制和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，將三個(gè)與編碼層相同的結(jié)構(gòu)模塊疊加，輸出答案片段。

在大規(guī)模中文問(wèn)答語(yǔ)料庫(kù)DuReader上進(jìn)行測(cè)試，Bert模型的咨詢效果優(yōu)于其他兩種答案生成模型，準(zhǔn)確率達(dá)到了74%，這是由于Bert模型采用了目前流行的特征提取器Transformer，同時(shí)還實(shí)現(xiàn)了雙向語(yǔ)言模型，集成了深度學(xué)習(xí)模型的優(yōu)點(diǎn)，從而使該模型在對(duì)答案句進(jìn)行篩選、理解和推理方面更加具有優(yōu)勢(shì)。此外，本文將山西省圖書(shū)館的常見(jiàn)日常咨詢問(wèn)題分為6類(lèi)，把問(wèn)題的語(yǔ)義類(lèi)別進(jìn)行預(yù)測(cè)并將其融入Bert模型后，咨詢系統(tǒng)的準(zhǔn)確率進(jìn)一步上升，準(zhǔn)確率達(dá)到了76%。說(shuō)明本文對(duì)問(wèn)題進(jìn)行語(yǔ)義劃分是有意義的，同時(shí)在系統(tǒng)中引入問(wèn)題的語(yǔ)義類(lèi)別對(duì)答案生成具有一定的促進(jìn)作用。

5?結(jié)語(yǔ)

本文提出了基于Bert語(yǔ)義的圖書(shū)館自動(dòng)咨詢方法，該方法首先利用問(wèn)句理解模塊對(duì)問(wèn)句進(jìn)行語(yǔ)義分類(lèi)，其次采用問(wèn)句檢索模塊對(duì)讀者提出的問(wèn)題進(jìn)行匹配，隨后利用預(yù)訓(xùn)練模型Bert生成答案句。該方法可以有效彌補(bǔ)傳統(tǒng)圖書(shū)館咨詢系統(tǒng)所面臨的語(yǔ)義鴻溝問(wèn)題，在一定程度上提高了圖書(shū)館咨詢服務(wù)滿意度。目前，圖書(shū)館咨詢問(wèn)題語(yǔ)料較少，針對(duì)圖書(shū)館咨詢問(wèn)答任務(wù)的預(yù)訓(xùn)練模型還不夠完善。在未來(lái)的工作中，一方面要利用數(shù)據(jù)增強(qiáng)的方法擴(kuò)充數(shù)據(jù)，另一方面還要將語(yǔ)言學(xué)知識(shí)融入預(yù)訓(xùn)練模型Bert中，進(jìn)一步提升系統(tǒng)咨詢效果。

參考文獻(xiàn)

[1]刁羽. 基于小數(shù)據(jù)的高校圖書(shū)館智庫(kù)型信息咨詢服務(wù)模式研究[J]. 圖書(shū)館工作與研究， 2019 （8）：84-88.

[2]李慧芳， 孟祥保. 近十年國(guó)內(nèi)外圖書(shū)館資源發(fā)現(xiàn)系統(tǒng)研究與實(shí)踐進(jìn)展述評(píng)[J].圖書(shū)情報(bào)工作，2020，64（6）：122-131.

[3]姚飛， 紀(jì)磊， 張成昱，等. 實(shí)時(shí)虛擬參考咨詢服務(wù)新嘗試——清華大學(xué)圖書(shū)館智能聊天機(jī)器人[J]. 現(xiàn)代圖書(shū)情報(bào)技術(shù)， 2011（4）：77-81.

[4]莫少?gòu)?qiáng). 數(shù)字圖書(shū)館參考咨詢服務(wù)系統(tǒng)的建設(shè)與服務(wù)[J]. 圖書(shū)情報(bào)工作， 2004（1）：12-15.

[5]張宇， 余正濤， 樊孝忠， 等. 基于支持向量機(jī)的漢語(yǔ)問(wèn)句分類(lèi)[J]. 華南理工大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2005（9）：25-29.

[6]賈可亮， 樊孝忠， 許進(jìn)忠.基于KNN的漢語(yǔ)問(wèn)句分類(lèi)[J]. 微電子學(xué)與計(jì)算機(jī)， 2008（1）：162-164.

[7]牛彥清. 中文問(wèn)答系統(tǒng)的問(wèn)句分類(lèi)研究[D].山西：太原理工大學(xué)，2011.

[8]胡國(guó)平. 基于超大規(guī)模問(wèn)答對(duì)庫(kù)和語(yǔ)音界面的非受限領(lǐng)域自動(dòng)問(wèn)答系統(tǒng)研究[D].合肥：?中國(guó)科學(xué)技術(shù)大學(xué)，2007.

[9]楊海天， 王健， 林鴻飛. 一種基于主題類(lèi)別信息問(wèn)句檢索的新方法[J]. 計(jì)算機(jī)應(yīng)用與軟件， 2015（2）：24-27.

[10]Yu A W ， D Dohan， Luong M T ， et al. QANet： Combining Local Convolution with Global Self-Attention for Reading Comprehension[J].Computational Linguistics，2018，13（3）：55-75.

[11]Seo M ， Kembhavi A ， Farhadi A ， et al. Bidirectional Attention Flow for Machine Comprehension[J]. Computational Linguistics，2016，15（2）：32-52.

[12]MD Zeiler， Fergus R . Visualizing and Understanding Convolutional Neural Networks[C]// European Conference on Computer Vision.Springer International Pu-blishing， 2013.

[13]Dong Z ， Dong Q ， Ebrary I . Hownet and the Computation of Meaning[J]. Journal of Artificial Intelligence Research，2015，11（5）：22-30.

[14]Ling W， Dyer C， Black A W， et al. Two/too simple adaptations of word2vec for syntax problems[C]//Proceedings of the 2015 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies. 2015： 1299-1304.

[15]Devlin J，Chang M W，Lee K，et al.BERT：Pretraining of deep bidirectional transformers for language understanding[C]//Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics：Human Language Technologies，Volume 1，2019：4171-4186.

[16]He W， Liu K， Liu J， et al. DuReader： a Chinese Machine Reading Comprehension Dataset from Real-world Applications[C]//Proceedings of the Workshop on Machine Reading for Question Answering. 2018： 37-46.

作者簡(jiǎn)介：段蘇凌（1987?），女，碩士，山西省圖書(shū)館館員。研究方向：讀者服務(wù)、參考咨詢、智能圖書(shū)館建設(shè)。

（收稿日期：2021-07-20?責(zé)任編輯：張長(zhǎng)安）