隨著計(jì)算機(jī)技術(shù)和人工智能技術(shù)的突飛猛進(jìn),越來(lái)越多的智能產(chǎn)品走入人們的生活,人類儼然進(jìn)入人機(jī)交互時(shí)代。如何從人機(jī)交互話術(shù)文本中獲取有用的信息,讓機(jī)器能夠快速、準(zhǔn)確的做出反應(yīng),已經(jīng)成為學(xué)者和商業(yè)公司關(guān)注的焦點(diǎn)。本文主要研究在TCL智能電視場(chǎng)景下人機(jī)交互話術(shù)文本分類的相關(guān)技術(shù),打破先前采用單一模型進(jìn)行分類的局限性,提出了一種智能電視場(chǎng)景下的分類決策系統(tǒng),重點(diǎn)研究分類決策系統(tǒng)中的層級(jí)分類模塊。本文的主要工作有:1.首先,介紹文本分類的基本概念,文本語(yǔ)言模型,Word2vec詞向量訓(xùn)練工具的基本原理以及深度學(xué)習(xí)中常用的分類模型。其次,采用k-means算法對(duì)收集到的人機(jī)交互話術(shù)文本進(jìn)行聚類,初步確定文本數(shù)據(jù)類別。然后,分析人機(jī)交互話術(shù)文本的數(shù)據(jù)特點(diǎn)并結(jié)合智能電視的業(yè)務(wù)場(chǎng)景,對(duì)人機(jī)交互話術(shù)文本進(jìn)行邊界確定,劃分出數(shù)據(jù)模塊。最后,根據(jù)數(shù)據(jù)模塊所具有的特點(diǎn),提出具有針對(duì)性的決策分類系統(tǒng)。實(shí)驗(yàn)證明,決策分類系統(tǒng)對(duì)TCL智能電視場(chǎng)景下的人機(jī)交互話術(shù)文本分類的準(zhǔn)確率達(dá)到了99.98%,相比于textCNN模型和textRNN模型,分類的準(zhǔn)確率提高了19.99%-27.33%。2.設(shè)計(jì)結(jié)合字向量和詞向量的雙通道...

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.11神經(jīng)網(wǎng)絡(luò)語(yǔ)語(yǔ)言模型

1NNLM將-2,,,inwvv：拼接向量V果通過(guò)tan中間向量m矩陣S以及目標(biāo)單i-1w拼接成向通過(guò)與隱nh函數(shù)進(jìn)行將做為S及偏置矩陣圖2.1詞iw的向量V，用i-n1wVv隱藏層的權(quán)重行非線性激活mtanSoftMax層陣sb....

圖2.22CBOW模型

型是利用目,tktww1,,tktkw來(lái)看類似中的非線性得到的詞第目標(biāo)單詞周11,...,ktkw1...,,tktww似于NNLM性隱藏層。詞向量是平均第二章相關(guān)知周圍的單詞去,tkw來(lái)計(jì)算))k的概率M....

圖2.3Skiip-gram模型

NN可以使權(quán)西安電子圖2.3Ski的人工神經(jīng)自動(dòng)學(xué)習(xí)能自然語(yǔ)言處卷積神經(jīng)網(wǎng)網(wǎng)絡(luò)模型。tionNeural的性能不能夠LeCun等人分類問(wèn)題上其在識(shí)別任視覺(jué)處理系統(tǒng)和提取2維NN具有權(quán)數(shù)。最重要基于梯度的權(quán)重高度優(yōu)子科技大學(xué)碩12ip-gram模型經(jīng)網(wǎng)絡(luò)和訓(xùn)能力和靈活....

圖2.4卷積神經(jīng)網(wǎng)網(wǎng)絡(luò)結(jié)構(gòu)圖

進(jìn)行選擇第圖2.4積神經(jīng)網(wǎng)絡(luò)結(jié)的特征提取組成一個(gè)2維積層上的每卷積神經(jīng)網(wǎng)征圖接著進(jìn)入層和池化層使用Soft-Ma相應(yīng)類的輸出積層主要是對(duì)數(shù)據(jù)經(jīng)過(guò)一個(gè)輸入的特征圖ljxf出，l-1ix前一的輸入映射積核進(jìn)行運(yùn)算擇性輸出。卷圖2.5卷第二章相關(guān)知13卷積神經(jīng)網(wǎng)結(jié)構(gòu)圖[36]....

本文編號(hào)：4036769