開放域情感對話旨在非任務(wù)型的閑聊式對話中,為機器生成的應(yīng)答語句賦予相應(yīng)情感,從而使人機對話交互更加自然、親切和生動。伴隨著社交網(wǎng)絡(luò)的迅猛發(fā)展,海量的對話語料為對話系統(tǒng)提供了豐富的數(shù)據(jù)資源支撐,而計算機硬件和深度學(xué)習(xí)的發(fā)展又為對話生成提供了強大的技術(shù)支持。近年來,對話系統(tǒng)在學(xué)術(shù)界和工業(yè)界已受到得越來越多的青睞和關(guān)注。在人機對話發(fā)展中,賦予對話系統(tǒng)情感感知和互動是一個重要方面,然而目前解決這一問題也存在著諸多困難和挑戰(zhàn)。首先,在數(shù)據(jù)方面需要大規(guī)模的具有情感標(biāo)注的對話語料。其次,在對話生成的質(zhì)量上如何做到流暢通順、上下文相關(guān),另外如何使得生成的對話蘊含相應(yīng)的情感色彩。最后,開放域?qū)υ挷o唯一標(biāo)準的應(yīng)答語句,如何對機器生成的對話進行評測是面臨的又一難題。本文采用了NLPCC 2017情感對話生成任務(wù)中數(shù)據(jù)集,利用深度學(xué)習(xí)模型解決情感對話生成中的挑戰(zhàn),嘗試和采用了多種評測指標(biāo)和方法。具體來說,本文在帶有情感標(biāo)簽的大規(guī)模對話語料集上,利用深度學(xué)習(xí)技術(shù)訓(xùn)練序列到序列模型生成對話語句,在此基礎(chǔ)上,使用預(yù)訓(xùn)練的情感監(jiān)督模型為序列到序列模型生成的應(yīng)答語句賦予相應(yīng)情感。評測上采用了自動評測指標(biāo)和人工評測的方... 

【文章來源】：華中師范大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．２二維卷積網(wǎng)絡(luò)結(jié)構(gòu)??

６?４?１７??圖２．４最大池化層??圖２．４是在４?ｘ?４大小的卷積運算矩陣進行２?ｘ?２局部窗口最大池化的例子，通??過最大池化保留了原卷積運算矩陣中局部區(qū)域的最顯著特征。??２．２．２循聊經(jīng)網(wǎng)絡(luò)??循環(huán)神經(jīng)網(wǎng)絡(luò)（Ｒｅｃｕｒｒｅｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，ＲＮＮ）是一類具有短期記憶的神??經(jīng)網(wǎng)絡(luò)模型，常用于序列信息的建模。簡單的兩層前饋神經(jīng)網(wǎng)絡(luò)中，只存在相鄰??的層與層之間的連接，每層的節(jié)點之間是無連接的，并且需要事先固定好輸入、??輸出數(shù)據(jù)的長度，對于變長序列的數(shù)據(jù)無法進行處理。循環(huán)神經(jīng)網(wǎng)絡(luò)除了在層與??層之間具有連接，每層中的神經(jīng)元之間也是存在連接的，將序列中的每個節(jié)點看??作時間節(jié)點，沿時間維度就可迭代地處理變長序列的數(shù)據(jù)。??假設(shè)循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入是序列Ｘ?＝?［ｈ，ｘ２，ｘＴ］，那么在／時刻的輸入為ｘｔ，??隱藏層對應(yīng)的輸出向量＆不僅會接收當(dāng)前時刻輸入的序列的的信息

?６?７??６?４?１７??圖２．４最大池化層??圖２．４是在４?ｘ?４大小的卷積運算矩陣進行２?ｘ?２局部窗口最大池化的例子，通??過最大池化保留了原卷積運算矩陣中局部區(qū)域的最顯著特征。??２．２．２循聊經(jīng)網(wǎng)絡(luò)??循環(huán)神經(jīng)網(wǎng)絡(luò)（Ｒｅｃｕｒｒｅｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，ＲＮＮ）是一類具有短期記憶的神??經(jīng)網(wǎng)絡(luò)模型，常用于序列信息的建模。簡單的兩層前饋神經(jīng)網(wǎng)絡(luò)中，只存在相鄰??的層與層之間的連接，每層的節(jié)點之間是無連接的，并且需要事先固定好輸入、??輸出數(shù)據(jù)的長度，對于變長序列的數(shù)據(jù)無法進行處理。循環(huán)神經(jīng)網(wǎng)絡(luò)除了在層與??層之間具有連接，每層中的神經(jīng)元之間也是存在連接的，將序列中的每個節(jié)點看??作時間節(jié)點，沿時間維度就可迭代地處理變長序列的數(shù)據(jù)。??假設(shè)循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入是序列Ｘ?＝?［ｈ


本文編號：3004253