3.1.2.1.1. Semantic inference. The

3.1.2.1.1. Semantic inference. The semantic inference exploits the
stemming mechanism and ontology to explain and to represent
the data of query sentences, as shown in Fig. 2.
Preprocess:
Preprocess translates the various query sentences to form a vector
space model. In the training stage, the query sentences are
based on the selected questions because a set of documents can
be presented by a word-by-document matrix P, as shown in Eq.
(1). Moreover, each query sentence corresponds to one selected
question (i.e., class). Let W be the number of occurrences of all
the words in the user questions, and Q be the number of occurrences
of all the collected query sentences.
P ¼ fpwqjw 2W; q 2 Qg;
where pwa is the frequency of the word win the query sentence q:
ð1Þ
Ontology:
This study considers the synonyms and homophones of a word
setW and extends the word set to generate the relevant term set T
based on the ontology shown in Fig. 3.
For synonym establishment, the WordNet library (Lo et al.,
2011) is used to determine the synonyms of words and to add
the relevant term set T (shown in Path (1) in Fig. 3).
For homophone establishment, the query sentences are spoken
by several users in a training session and are considered for the
generation of homophones for each word. For example, the phonetic
transcription of ‘‘擂茶” by Google Translator is ‘‘léi chá.”
When someone says ‘‘léi chá,” the homophones (e.g., ‘‘雷茶”, ‘‘類
茶”, and ‘‘累茶”) may appear through Google speech recognition.
Therefore, the homophones generated in the training stage will
be considered for inclusion in the relevant term set T (as shown
in Path (2) in Fig. 3).
The matrix O is generated in accordance with the relevant term
set T, as shown in (2). This matrix is used for answer inference.

ผลลัพธ์ (ไทย) 1:

3.1.2.1.1 การข้อทางตรรก นำข้อความหมายกำลังกลไกและภววิทยาอธิบาย และแสดงข้อมูลของแบบสอบถามประโยค ดังที่แสดงใน Fig. 2ประมวลผลเบื้องต้น:ประมวลผลเบื้องต้นแปลประโยคสอบถามต่าง ๆ ในรูปแบบเวกเตอร์แบบจำลองช่องว่าง ในระยะฝึกอบรม เป็นประโยคสอบถามตามคำถามที่เลือกเนื่องจากสามารถตั้งค่าของเอกสารนำเสนอ โดยเอกสารโดย word เมทริกซ์ P ดังที่แสดงใน Eq.(1) นอกจากนี้ แต่ละประโยคสอบถามตรงกับเลือกคำถาม (เช่น คลาส) ให้ W เป็นหมายเลขของเหตุการณ์ทั้งหมดคำถามของผู้ใช้ และ Q เป็นจำนวนทั้งหมดสอบถามรวบรวมประโยคP ¼ fpwqjw 2W q 2 Qgความถี่ของการชนะคำถามประโยคสอบถาม pwað1Þภววิทยา:การศึกษานี้พิจารณาคำเหมือนและ homophones คำsetW และขยายคำที่กำหนดให้สร้างชุดคำที่เกี่ยวข้อง Tตามภววิทยาที่แสดงใน Fig. 3สำหรับสถานประกอบการเหมือน รี WordNet (หล่อ et al.,2011) ถูกใช้ เพื่อกำหนดคำเหมือนของคำ และ การเพิ่มคำที่เกี่ยวข้องตั้ง T (แสดงในเส้นทาง (1) ใน Fig. 3)สำหรับก่อตั้ง homophone พูดประโยคถามโดยผู้ใช้หลายรายในการอบรมและมีพิจารณาในการสร้าง homophones สำหรับแต่ละคำ ตัวอย่าง การออกเสียงtranscription ของ "擂茶" โดย Google แปลเป็น '' léi chá"เมื่อบุคคลกล่าวว่า '' léi chá," homophones (เช่น "雷茶", " 類茶" และ"累茶") อาจปรากฏผ่าน Google รู้ได้ดังนั้น homophones ที่สร้างขึ้นในขั้นตอนการฝึกอบรมจะพิจารณาสำหรับการรวมในชุดคำที่เกี่ยวข้อง T (ตามที่แสดงในเส้นทาง (2) ใน Fig. 3)สร้างเมตริกซ์ O ตามคำที่เกี่ยวข้องตั้งค่า T ดังแสดงใน (2) เมทริกซ์นี้จะใช้สำหรับการตอบข้อ

ผลลัพธ์ (ไทย) 3:

3.1.2.1.1 . การอนุมานความหมาย การอนุมานความหมายหาประโยชน์
กั้นกลไกและอภิปรัชญาเพื่ออธิบายและแสดง
ข้อมูลของแบบสอบถามประโยคดังแสดงในรูปที่ 2 :
.
preprocess preprocess แปลประโยคข้อมูลต่างๆในรูปแบบเวกเตอร์
พื้นที่แบบ ในการฝึกระยะ ถามประโยค
ตามเลือกคำถาม เพราะชุดของเอกสารสามารถ
ถูกนำเสนอโดย Word เอกสารเมทริกซ์ P , ดังที่แสดงในอีคิว
( 1 ) นอกจากนี้ แต่ละประโยคที่สอดคล้องกับการเลือก
คำถาม ( เช่น คลาส ) ให้ W เป็นหมายเลขของเหตุการณ์ทั้งหมด
คำที่ผู้ใช้คำถามและ Q เป็นหมายเลขของเหตุการณ์
ทุกรวบรวมแบบสอบถามประโยค .
p ¼ fpwqjw นะคะ ; Q 2 qg ;
ที่การประปาส่วนภูมิภาคคือ ความถี่ของคำชนะคำ ประโยคð 1 Q :

: Þอภิปรัชญา
การศึกษานี้ได้พิจารณาและ setw พ้องคำพ้องเสียงของคำว่า
และขยายคำว่าตั้งค่าเพื่อสร้างคำที่เกี่ยวข้องตั้งค่า T
ขึ้นอยู่กับอภิปรัชญาที่แสดงในรูปที่ 3 .
สร้างคำที่เกี่ยวข้อง , เครือข่ายคำห้องสมุด ( Lo et al . ,
2011 ) จะใช้เพื่อกำหนดคำพ้องความหมายของคำและเพิ่ม
คำที่เกี่ยวข้อง : T ( แสดงในชุดเส้นทาง ( 1 ) ในรูปที่ 3 ) .
สำหรับสถานประกอบการคำพ้องเสียง , แบบสอบถามประโยคพูด
โดยผู้ใช้หลายในการฝึกซ้อม และจะถือว่า
รุ่นของคำพ้องเสียงสำหรับแต่ละคำ ตัวอย่างเช่น การถอดความสัทศาสตร์
' ' 擂茶 " โดย Google แปลเป็น " . . . ผม CH . kgm "
เมื่อมีคนกล่าวว่า ' ' ฉัน . . . ฉัน Ch . kgm " คำพ้องเสียง ( เช่น ' ' 雷茶 " ' ' 類
茶 " และ ' ' 累茶 " ) อาจปรากฏขึ้นผ่านทาง Google การพูด การรับรู้
ดังนั้นที่สร้างขึ้นในการฝึกอบรมคำพ้องเสียงเวทีจะ
ถือว่าเพื่อรวมไว้ในคำที่เกี่ยวข้องตั้งค่า T ( แสดง
ในเส้นทาง ( 2 ) ในรูปที่ 3 ) .
เมทริกซ์โอถูกสร้างขึ้นตามคำที่เกี่ยวข้องตั้งค่า T
ดัง ( 2 ) เมทริกซ์นี้จะใช้สำหรับคำตอบข้อสรุป