任務(wù)型人機(jī)對(duì)話系統(tǒng)可以為用戶提供特定的信息服務(wù),在為人們提供便利的同時(shí),有效地降低企業(yè)的人力成本。近年來,各類企業(yè)對(duì)任務(wù)型人機(jī)對(duì)話系統(tǒng)的需求與日俱增。鑒于任務(wù)型人機(jī)對(duì)話系統(tǒng)在不同領(lǐng)域都存在著廣泛的應(yīng)用價(jià)值,為了有效降低任務(wù)型人機(jī)對(duì)話系統(tǒng)的開發(fā)周期和研發(fā)成本,提升任務(wù)型人機(jī)對(duì)話系統(tǒng)開發(fā)的便利性,本文以任務(wù)型人機(jī)對(duì)話系統(tǒng)開發(fā)平臺(tái)作為研究方向。在分析了現(xiàn)有任務(wù)型人機(jī)對(duì)話系統(tǒng)開發(fā)平臺(tái)的優(yōu)點(diǎn)與不足的基礎(chǔ)上,主要開展了如下的工作:設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)任務(wù)型人機(jī)對(duì)話系統(tǒng)開發(fā)平臺(tái)。在分析任務(wù)型人機(jī)對(duì)話系統(tǒng)及其開發(fā)平臺(tái)業(yè)務(wù)需求的基礎(chǔ)上,定義了開發(fā)平臺(tái)的功能需求和非功能需求。按照需求分析,對(duì)任務(wù)型人機(jī)對(duì)話系統(tǒng)開發(fā)平臺(tái)進(jìn)行了總體設(shè)計(jì),包括系統(tǒng)架構(gòu)、系統(tǒng)功能、系統(tǒng)運(yùn)行流程和系統(tǒng)類關(guān)系的設(shè)計(jì)�；谙到y(tǒng)總體設(shè)計(jì)方案,對(duì)系統(tǒng)的自然語(yǔ)言理解、對(duì)話管理、對(duì)話生成、數(shù)據(jù)庫(kù)、面向開發(fā)者和用戶的Web各功能模塊進(jìn)行了詳細(xì)的設(shè)計(jì)和實(shí)現(xiàn),通過功能描述、數(shù)據(jù)結(jié)構(gòu)和算法定義、流程圖、UML類關(guān)系圖等方式介紹各功能模塊的設(shè)計(jì)和實(shí)現(xiàn)過程,各模塊涉及到的核心算法基于傳統(tǒng)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)相關(guān)技術(shù)。完成系統(tǒng)的設(shè)計(jì)開發(fā)后,從功能和性能的... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

一任務(wù)型人機(jī)對(duì)話示例

圖１－３任務(wù)型人機(jī)對(duì)話系統(tǒng)框架??１．２．３自然語(yǔ)言理解研究現(xiàn)狀??在任務(wù)型人機(jī)對(duì)話系統(tǒng)中，自然語(yǔ)言理解模塊負(fù)責(zé)將用戶輸入的與任務(wù)相關(guān)??的信息轉(zhuǎn)化為機(jī)器可解釋的結(jié)構(gòu)化信息，一般將自然語(yǔ)言理解任務(wù)分為領(lǐng)域識(shí)別、??意圖識(shí)別與槽填充三個(gè)子任務(wù)。下面為這三個(gè)子任務(wù)的研宄現(xiàn)狀。??領(lǐng)域識(shí)別方面，任務(wù)型人機(jī)對(duì)話系統(tǒng)根據(jù)具體任務(wù)需求，可以將服務(wù)的信息??對(duì)象劃分為不同的領(lǐng)域，這里的領(lǐng)域一般根據(jù)業(yè)務(wù)類型的不同來劃分。領(lǐng)域識(shí)別??任務(wù)可視為文本分類任務(wù)，在訓(xùn)練數(shù)據(jù)較為充分時(shí)，傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方??法都可以較好地解決該類任務(wù)，傳統(tǒng)機(jī)器學(xué)習(xí)中典型的模型包括樸素貝葉斯［１５］、??支持向量機(jī)（ＳＶＭ：?Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ）［１６］等，深度學(xué)習(xí)典型的模型包括長(zhǎng)短??期記憶神經(jīng)網(wǎng)絡(luò)（ＬＳＴＭ：?Ｌｏｎｇ?Ｓｈｏｒｔ－Ｔｅｒｍ?Ｍｅｍｏｒｙ）［１７］和卷積神經(jīng)網(wǎng)絡(luò)（ＣＮＮ：??Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ?）［１８］等。??意圖識(shí)別同樣可視為分類問題，基本上所有重要的統(tǒng)計(jì)分類器都被用于意圖??識(shí)別。Ｈａｆｆｎｅｒ等提出了一個(gè)基于ＳＶＭ的意圖識(shí)別模型［１９］，將多個(gè)ＳＶＭ二分類??

?ｆ?（ＮＩＧ）?’?：??圖１－３任務(wù)型人機(jī)對(duì)話系統(tǒng)框架??１．２．３自然語(yǔ)言理解研究現(xiàn)狀??在任務(wù)型人機(jī)對(duì)話系統(tǒng)中，自然語(yǔ)言理解模塊負(fù)責(zé)將用戶輸入的與任務(wù)相關(guān)??的信息轉(zhuǎn)化為機(jī)器可解釋的結(jié)構(gòu)化信息，一般將自然語(yǔ)言理解任務(wù)分為領(lǐng)域識(shí)別、??意圖識(shí)別與槽填充三個(gè)子任務(wù)。下面為這三個(gè)子任務(wù)的研宄現(xiàn)狀。??領(lǐng)域識(shí)別方面，任務(wù)型人機(jī)對(duì)話系統(tǒng)根據(jù)具體任務(wù)需求，可以將服務(wù)的信息??對(duì)象劃分為不同的領(lǐng)域，這里的領(lǐng)域一般根據(jù)業(yè)務(wù)類型的不同來劃分。領(lǐng)域識(shí)別??任務(wù)可視為文本分類任務(wù)，在訓(xùn)練數(shù)據(jù)較為充分時(shí)，傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方??法都可以較好地解決該類任務(wù)，傳統(tǒng)機(jī)器學(xué)習(xí)中典型的模型包括樸素貝葉斯［１５］、??支持向量機(jī)（ＳＶＭ：?Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ）［１６］等，深度學(xué)習(xí)典型的模型包括長(zhǎng)短??期記憶神經(jīng)網(wǎng)絡(luò)（ＬＳＴＭ：?Ｌｏｎｇ?Ｓｈｏｒｔ－Ｔｅｒｍ?Ｍｅｍｏｒｙ）［１７］和卷積神經(jīng)網(wǎng)絡(luò)（ＣＮＮ：??Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ?）［１８］等。??意圖識(shí)別同樣可視為分類問題

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)TF-IDF算法的情報(bào)關(guān)鍵詞提取方法[J]. 張瑾.  情報(bào)雜志. 2014(04)
[2]自然語(yǔ)言理解研究綜述[J]. 郭艷華,周昌樂.  杭州電子工業(yè)學(xué)院學(xué)報(bào). 2000(01)



本文編號(hào)：3609208