QA

該項目已停止維護！ ！ ！

這個玩意是本科時候一門考查課的大作業，基本全是瞎寫的，那時啥都不知道，API各種不會用，所以很多地方的實現都是十分不恰當的。而且模型也圖省事選了最簡單的模型，不論是代碼層面還是學術層面都沒有太大參考價值。

另外，由於沒有數據的使用授權，我不能將數據集公開，請諒解

基於LSTM的中文問答系統

本項目通過建立雙向長短期記憶網絡模型，實現了在多個句子中找到給定問題的答案所在的句子這一功能。在使用了互聯網第三方資源的前提下，用training.data中的數據訓練得到的模型對develop.data進行驗證，MRR可達0.75以上

如何運行

環境依賴

程式	版本
python	3.5.2
TensorFlow	1.2.1
jieba	0.38
CUDA	8.0(8.0.61.2)
cuDNN	5.1

CUDA和cuDNN都是TensorFlow的依賴項，請查看TensorFlow官方文檔獲取安裝方法。其餘幾項都可以使用pip install命令安裝

第三方資源使用說明

1. 在對中文文本進行分詞時，使用了jieba分詞
2. 在對分好的詞語進行編碼時，為了避免One-hot編碼帶來的性能損失，使用了word embedding編碼。其詞向量使用了通過中文維基百科離線資料訓練得到的50維詞向量文件

運行程序

裝好了依賴庫之後，直接執行main.py即可。如果有已經訓練好的模型，程序會提示您是直接加載這個模型，還是重新開始訓練。

main.py不接收參數，如果需要修改配置，請直接修改代碼。文件中有詳細中文註釋，據此修改即可

taevaluation.py是一個評估腳本，可以提供MRR，MAP，ACC@1的評估，由助教學姐編寫。我在輸入輸出的格式上進行了一些修改

關於訓練

當你選擇了不使用已經訓練的模型，或者沒有已經訓練的模型，程序會利用training.data和develop.data中的數據對模型進行訓練。當使用默認參數時，訓練最多會消耗大約8G內存+2G顯存，請事先保證計算機有充足的硬件資源，防止報錯。在我的GTX 850M+i5 4210H條件下，完整的訓練過程需要大約12小時。

另外，我在調參時發現，即使使用相同的參數，每次訓練的結果使用MRR度量仍可能有最大0.03的波動，原因尚不明確。由於個人硬件和時間所限，只是進行了很粗糙的調參，絕大多數參數仍有進一步優化的空間，有意的話不妨嘗試優化一下。