對(duì)話狀態(tài)追蹤是面向任務(wù)的多輪對(duì)話系統(tǒng)中的重要組成部分,旨在根據(jù)對(duì)話上下文估計(jì)每輪對(duì)話中的用戶(hù)目標(biāo)和請(qǐng)求,為對(duì)話決策提供決策依據(jù)。傳統(tǒng)的對(duì)話狀態(tài)追蹤方法將口語(yǔ)理解的結(jié)果作為對(duì)話狀態(tài)追蹤模塊的輸入,存在誤差傳遞的問(wèn)題;并且隨著用戶(hù)與系統(tǒng)的對(duì)話輪次不斷增加,傳統(tǒng)方法在新槽值和罕見(jiàn)槽值的識(shí)別上難以達(dá)到較高的準(zhǔn)確率。本文為改善這些缺點(diǎn),設(shè)計(jì)了基于神經(jīng)網(wǎng)絡(luò)的狀態(tài)追蹤方法,并對(duì)對(duì)話狀態(tài)追蹤模型在知識(shí)驅(qū)動(dòng)對(duì)話系統(tǒng)中的重要作用進(jìn)行了探究。為了解決多輪對(duì)話系統(tǒng)中新槽值及罕見(jiàn)槽值的識(shí)別問(wèn)題,本文提出了基于局部槽特征的模型。該模型將局部的槽信息作為特征,借助注意力機(jī)制與LSTM（Long Short-Term Memory,長(zhǎng)短期記憶網(wǎng)絡(luò)）在不同槽信息的基礎(chǔ)上學(xué)習(xí)用戶(hù)當(dāng)前輸入、上一輪系統(tǒng)動(dòng)作及候選槽值的特征表示,模型利用學(xué)習(xí)到的表示對(duì)候選的槽值進(jìn)行評(píng)估,從而生成對(duì)話狀態(tài)。該模型在兩個(gè)公開(kāi)數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,本文提出的模型在兩個(gè)狀態(tài)追蹤數(shù)據(jù)集上都有較好的識(shí)別準(zhǔn)確率及較快的運(yùn)行速度。該模型簡(jiǎn)單有效并能在不同槽信息的環(huán)境下學(xué)習(xí)到每個(gè)槽的特征,有利于罕見(jiàn)槽值和新槽值的識(shí)別。針對(duì)上述模型中對(duì)所有候選槽值建... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

人機(jī)對(duì)話系統(tǒng)組成部分[1]152對(duì)話管理由對(duì)話狀態(tài)追蹤（DialogueStateTracker，DST）和對(duì)話策略

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-21-新槽值及罕見(jiàn)槽值的識(shí)別。在LSDST模型架構(gòu)中，如圖3-1所示，模型中包括編碼模塊及評(píng)估模塊，首先將用戶(hù)的當(dāng)前輸入、系統(tǒng)上一輪動(dòng)作以及所有的候選槽值對(duì)送入到基于不同槽信息的編碼器中，并結(jié)合注意力機(jī)制獲得上下文的向量表示（c,h）。再將該表示作為狀態(tài)評(píng)估模塊的輸入，結(jié)合系統(tǒng)動(dòng)作評(píng)估模塊及用戶(hù)話語(yǔ)評(píng)估模塊為每個(gè)候選槽值對(duì)進(jìn)行打分。圖3-1LSDST模型示意圖LSDST+SU模型在LSDST模型的基礎(chǔ)上，引入了對(duì)話歷史信息，利用編碼模塊對(duì)上一輪的系統(tǒng)回復(fù)文本進(jìn)行編碼，并在狀態(tài)評(píng)估模塊與用戶(hù)輸入信息聯(lián)合建模，實(shí)現(xiàn)對(duì)候選槽值的打分，與如圖3-2所示。圖3-2LSDST+SU模型示意圖

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-21-新槽值及罕見(jiàn)槽值的識(shí)別。在LSDST模型架構(gòu)中，如圖3-1所示，模型中包括編碼模塊及評(píng)估模塊，首先將用戶(hù)的當(dāng)前輸入、系統(tǒng)上一輪動(dòng)作以及所有的候選槽值對(duì)送入到基于不同槽信息的編碼器中，并結(jié)合注意力機(jī)制獲得上下文的向量表示（c,h）。再將該表示作為狀態(tài)評(píng)估模塊的輸入，結(jié)合系統(tǒng)動(dòng)作評(píng)估模塊及用戶(hù)話語(yǔ)評(píng)估模塊為每個(gè)候選槽值對(duì)進(jìn)行打分。圖3-1LSDST模型示意圖LSDST+SU模型在LSDST模型的基礎(chǔ)上，引入了對(duì)話歷史信息，利用編碼模塊對(duì)上一輪的系統(tǒng)回復(fù)文本進(jìn)行編碼，并在狀態(tài)評(píng)估模塊與用戶(hù)輸入信息聯(lián)合建模，實(shí)現(xiàn)對(duì)候選槽值的打分，與如圖3-2所示。圖3-2LSDST+SU模型示意圖

【參考文獻(xiàn)】：
博士論文
[1]基于級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)的對(duì)話狀態(tài)追蹤技術(shù)研究與實(shí)現(xiàn)[D]. 楊國(guó)花.北京郵電大學(xué) 2019



本文編號(hào)：2997933