信息检索实验：问答系统设计与实现 一，实验目的 本次实验目的是对问答系统的设计与实现过程有一个全面的了解。调优。 二，实验内容 本次实验中，首先要自己建立一个检索系统，从文本库中检索到与问题最相关的文档（可以是一个或多个）。然后对文档中的替代答案进行排序，删除出最相关的最后，在最相关的补充答案中解最精简的答案，这个答案可能是一个词或几个词。实验提供了一部分有标注的数据作为训练集和开发集，需要提交的那部分是去掉了标注的数据，最终通过提交答案和标准答案的相似度（BLEU-1值）来评估本次实验的效果。 三，实验过程及结果 3.1文本集合进行处理，建立索引 我在此章节分别使用了Whoosh开源库和BM25算法重构索引，效果上略有差异，Whoosh的top1变量为86％，top3为91％，BM25的top1为89％，top3为93％，BM25较优于Whoosh，具体讲解如下。 3.1.1使用开源库W

复旦大学NLP课程期末PJ；疫情信息问答系统

本代码文件.是自己亲自调试的,感谢appleyk的教程,采用java格式,有需要的小伙伴可以下载,做知识图谱一般用java比较好,python有些不足.可以给好评,谢谢

电影知识图谱问答系统项目总结-附件资源

毕设+答辩 内有项目开发进度表、演示文档（答辩）、建库建表（SQL）、项目源码、 资源

Java 模仿百度知道的一个问答系统(包含源码和数据库文件)。 自已写的一个 基于 maven + springmvc + hibernate 的问答系统， 模仿的百度知道，包括代码高亮(syntaxhighlighter)，在线编辑器(simditor)，弹出层等技术(layer)。如果想提高一下自已的技术，可以看一下 问答系统 百度知道

ASP源码，压缩包解压密码：www.cqlsoft.com

Question answering (QA) has become a popular way for humans to access billion-scale knowledge bases. Unlike web search, QA over a knowledge base gives out accurate and concise results, provided that natural language questions can be understood and mapped precisely to structured queries over the knowledge base. The challenge, however, is that a human can ask one question in many different ways. Previous approaches have natural limits due to their representations: rule based approaches only understand a small set of “canned” questions, while keyword based or synonym based approaches cannot fully understand the questions. In this paper, we design a new kind of question representation: templates, over a billion scale knowledge base and a million scale QA corpora. For example, for questions about a city’s population, we learn templates such as What’s the population of $city?, How many people are there in $city?. We learned 27 million templates for 2782 intents. Based on these templates, our QA system KBQA effectively supports binary factoid questions, as well as complex questions which are composed of a series of binary factoid questions. Furthermore, we expand predicates in RDF knowledge base, which boosts the coverage of knowledge base by 57 times. Our QA system beats all other state-of-art works on both effectiveness and efficiency over QALD benchmarks.

基于知识图谱的智能问答系统python实现（复旦大学论文基于qa语料和知识库的问答系统）_python 智能问答,python 智能问答系统-机器学习代码类资源本代码实现是基于python实现的基于复旦大学崔万云博士的learing question answering over corpora and konwlege bases ，代码实现与论文有所出入，原因是本实现用的语料是中文做训练数据集，其中命名实体认为论文有太多欠缺，而实体识别是智能问答思想关键。希望更多读者能够有更好的方法。

chatbot_with_IR 一个利用搜索引擎构建的简单问答系统