發(fā)布時間：2022-01-21 11:45

　　隨著科學技術的發(fā)展,聊天機器人已經不再只是科幻電影中的存在,對話系統(tǒng)也因為其巨大的潛力和市場價值受到越來越多的關注。任務型對話應用通過在自然語言交互中收集信息和決策幫助人們完成特定事務,減少人力成本。傳統(tǒng)的任務型對話應用開發(fā)中,應用開發(fā)者不但要關注特定的應用場景,而且要完成意圖分類和識別,會話管理等諸多任務型對話應用的通用功能。引入任務型對話應用框架提供任務型對話應用通用性和基礎性的功能可以大大降低相關開發(fā)工作的復雜度和工作量。本文設計和實現(xiàn)了任務型對話應用框架。此框架提供了基于Web的界面,允許用戶輸入文字內容,并分析用戶輸入的語句以確定用戶的意圖,在必要時通過與用戶的多輪對話明確用戶意圖,而后調用與用戶意圖對應的服務接口滿足用戶需求,通過Web界面給出響應。本文采用基于規(guī)則和神經網絡的聯(lián)合意圖判定模型對用戶語句中的意圖進行判定。傳統(tǒng)規(guī)則匹配模型采用AIML規(guī)則語句實現(xiàn),神經網絡意圖識別模型采用LSTM獲取語義特征輸出不同特征下的概率,再通過SoftMax函數(shù)歸一化分類結果。組合模型具備易修改和智能可訓練的特點。本論文首先對任務型對話應用框架的研究背景和相關技術進行介紹;并調研了對話... 

【文章來源】：北京郵電大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【部分圖文】：

圖２－１?Ｗｏｒｄ２Ｖｅｃ模型示意圖??

比如長短期記憶網絡（Ｌｏｎｇ?Ｓｈｏｒｔ－Ｔｅｒｍ?Ｍｅｍｏｒｙ，?ＬＳＴＭ）是一種時間遞歸神??經網絡，能夠記住較長時間的歷史信息，多層網絡的ＬＳＴＭ可以更好地提取語料??特征達到更高的準確率［１３］。其網絡單元結構如下圖２－３的ＬＳＴＭ單元結構所示，??ＬＳＴＭ單元結構上方的橫線表示單元結構之間能夠互相傳遞單元結構的狀態(tài)，同??時細胞單元通過三個門結構來實現(xiàn)加入或者刪除信息［１４］，是上一個單元結構??的輸出，ｘｔ是當前單元的輸入，〇？是ｓｉｇｍｏｄ函數(shù)，其中遺忘門代表的函數(shù)的計算??７??

?池化層?全歸一ｆｔ？出??圖２－２神經網絡模型實現(xiàn)語句分類??比如長短期記憶網絡（Ｌｏｎｇ?Ｓｈｏｒｔ－Ｔｅｒｍ?Ｍｅｍｏｒｙ，?ＬＳＴＭ）是一種時間遞歸神??經網絡，能夠記住較長時間的歷史信息，多層網絡的ＬＳＴＭ可以更好地提取語料??特征達到更高的準確率［１３］。其網絡單元結構如下圖２－３的ＬＳＴＭ單元結構所示，??ＬＳＴＭ單元結構上方的橫線表示單元結構之間能夠互相傳遞單元結構的狀態(tài)，同??時細胞單元通過三個門結構來實現(xiàn)加入或者刪除信息［１４］，是上一個單元結構??的輸出，ｘｔ是當前單元的輸入，〇？是ｓｉｇｍｏｄ函數(shù)，其中遺忘門代表的函數(shù)的計算??７??

【參考文獻】：
期刊論文
[1]任務型人機對話系統(tǒng)中的認知技術——概念、進展及其未來[J]. 俞凱,陳露,陳博,孫鍇,朱蘇.  計算機學報. 2015(12)
[2]統(tǒng)計與詞典相結合的領域自適應中文分詞[J]. 張梅山,鄧知龍,車萬翔,劉挺.  中文信息學報. 2012(02)
[3]口語對話管理綜述[J]. 王菁華,鐘義信,王樅,劉建毅.  計算機應用研究. 2005(10)



本文編號：3600198