任務(wù)型人機(jī)對(duì)話系統(tǒng)旨在使機(jī)器通過自然語言與用戶進(jìn)行交互,幫助用戶完成特定任務(wù),已廣泛應(yīng)用于各領(lǐng)域企業(yè)智能客戶服務(wù)中。在很多客服系統(tǒng)中,都需要在對(duì)話過程中進(jìn)行數(shù)據(jù)庫查詢(如訂票),并依據(jù)查詢結(jié)果來響應(yīng)用戶。對(duì)話管理是對(duì)話系統(tǒng)的核心,負(fù)責(zé)維護(hù)對(duì)話狀態(tài)并基于此生成響應(yīng)用戶的對(duì)話策略。但是,現(xiàn)有的對(duì)話管理研究較少將數(shù)據(jù)庫查詢信息用于對(duì)話策略的優(yōu)化。本文針對(duì)這一問題,在廣泛調(diào)研的基礎(chǔ)上,開展需要進(jìn)行數(shù)據(jù)庫查詢的任務(wù)型人機(jī)對(duì)話管理模型的研究與應(yīng)用,具體工作內(nèi)容如下:提出了一個(gè)融合數(shù)據(jù)庫查詢的對(duì)話管理模型。模型聯(lián)合建模自然語言理解、對(duì)話狀態(tài)追蹤和動(dòng)作決策三個(gè)對(duì)話系統(tǒng)子任務(wù)。其中,自然語言理解模塊使用長短期記憶(LSTM:Long Short-Term Memory)神經(jīng)網(wǎng)絡(luò)編碼,每一輪的用戶輸入為一個(gè)句子向量,同時(shí)標(biāo)注其中的槽值;對(duì)話狀態(tài)追蹤模塊使用LSTM持續(xù)接收句子向量,并結(jié)合上一輪對(duì)話管理模型的動(dòng)作得到對(duì)話的當(dāng)前狀態(tài)表示;動(dòng)作決策模塊采用深層Q網(wǎng)絡(luò),依據(jù)當(dāng)前對(duì)話狀態(tài)以及數(shù)據(jù)庫信息進(jìn)行動(dòng)作決策。在會(huì)議室預(yù)訂任務(wù)上的實(shí)驗(yàn)結(jié)果表明該模型能夠在完成任務(wù)的同時(shí),有效減少對(duì)話輪次�；谏鲜黾夹g(shù)設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)面向會(huì)議室預(yù)訂的人機(jī)對(duì)話系統(tǒng),系統(tǒng)可以通過對(duì)話交互預(yù)定所需要的會(huì)議室。
【學(xué)位單位】：北京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP311.13
【部分圖文】：

據(jù)庫的動(dòng)作，并且能夠快速檢索數(shù)據(jù)庫，將信息反饋給用戶，我們將該模型稱為逡逑ｅｎｔｒｏｐｙ＆ｒｕｌｅｓ。我們將與用戶交互的Ａｇｅｎｔ稱為ａｇｅｎｔｌ，與數(shù)據(jù)庫交互的Ａｇｅｎｔ逡逑稱為ａｇｅｎｔ２。模型的結(jié)構(gòu)如圖３－１所示：逡逑邐逡逑Ａｇｅｍ對(duì)用戶ａｓｋ、咖ｆｉｒｍ的概率叫ｅｎｔ對(duì)數(shù)據(jù)庫g韉母怕叔義希螅錚媯簦恚幔危螅錚媯翦澹恚幔義希澹駑危掊澹苠義希澹祝兀忮澹寮壑倒蘭棋危懾澹鰨忮澹杉壑倒蘭棋義希澹睿�，邋ｎ／辶x希遙澹酰ǎ祝兀猓╁澹危斫Ⅶ霂洌澹遙澹歟酰ǎ祝兀猓╁義鮮菘庵蔥型輳允笨痰畝骱簞氐謀痘煎危駑味曰白刺�、辶x希村危五危叔危懼義希翦五危駑義希鈴澹蓿保保卞危裕蓿苠義仙弦宦侄曰岸鰨尉渥覸晷潛硎懼紊弦宦侄曰岸鰨寰渥酉蛟北硎懼義希澹悖澹歟戾澹悖澹歟戾澹輟�？邋—＂？ｊ邋ｃｅe戾澹懾危澹悖澹歟戾澹輳悖澹歟戾澹�？邋一－＊ｊ邋ｃｅe戾澹義

本文編號(hào)：2823319