人機對話作為人工智能領域的核心技術之一,以其廣闊的應用前景以及誘人的商業(yè)價值備受學術界和工業(yè)界的矚目。從早期的Eliza和Parry,到類似Siri的智能個人助手,再到如今的聊天機器人,如小冰,人機對話系統(tǒng)不斷地改變著人們的生活。聊天機器人,旨在通過人機交互中自然、流暢且多樣的對話以滿足人類的交流以及情感陪伴的需求。因此,一個出色的聊天機器人應該同時具備智商和情商。然而,現(xiàn)有的對話系統(tǒng)的研究工作主要聚焦于改善句子的質量,對于情感的關注還相對較少。因此,本文主要關注情感對話生成,該任務旨在生成蘊含情感且語義流暢的回復,從而實現(xiàn)更加自然的人機交互。近年來,隨著深度學習技術的流行,研究人員逐漸采用seq2seq生成模型來實現(xiàn)對話系統(tǒng),而不僅是依賴基于模板和檢索等方式。因此,本文分別將seq2seq模型與主題模型和變分自編碼器相結合來提高回復的相關性和多樣性,并且在此基礎上融合情感因素,使得模型能夠生成蘊含情感的回答。本文的主要工作如下:1)為了生成蘊含情感且與輸入內容相關的回復,本文將情感因素和主題信息同時與seq2seq模型相結合,構建了一個基于注意力機制的主題增強情感對話生成模型（TE-... 

【文章來源】：華中師范大學湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

LsTM結構示意圖t’3]

?ｙｓ??圖２．４注意力機制［４９】??引入了注意力機制的ｓｅｑ２Ｓｅｑ模型如圖２．４所示，其中編碼器采用了一個雙向??ＲＮＮ，解碼器則加入了注意力機制。由２．１．２節(jié)的內容可知，在模型的解碼階段，??解碼器每一個時刻的隱藏狀態(tài)的計算都需要上下文語義編碼向量ｃ。在傳統(tǒng)的??ｓｅｑ２Ｓｅｑ模型中，只用編碼器最后一個時刻的輸出作為語義編碼向量ｃ，且保持固定??不變，但加入注意力機制之后，每一時刻的ｃ都將各不相同，從而能保證在解碼的不??同時刻，輸入序列中的每一個詞語對當前時刻解碼的詞語的貢獻不同。在時刻ｉ，中??間語義向量ｑ可由編碼器輸出的隱藏層向量序列進行加權求和得到，??如公式２．１３所示。??Ｃｊ?＝?Ｙ７ｊ＝＼?＾ｉｊｈｊ?（公式?２＿１３）??其中，＼的權重的計算方法如公式２．１４所示。??ａ．．?＝?ｅｘｐ（Ｔ，（ｈＪ－，ｓ，＿１））?（公式?２１４）??１１?ＳＬｊｅｘｐＣｒｉＣｈｋ．ｓ

Ｔｗｉｔｔｅｒ?ＬＤＡ模型的主要思想是每一個文本都僅僅屬于一個主題，并且文本中??的每一個詞是一個背景詞或者是該文本所屬主題的主題詞。Ｔｗｉｔｔｅｒ?ＬＤＡ的模型結??構如圖３．２所示。我們假設微博中一共具有Ｔ個主題，每個主題可以由詞分布表示。??具體地，Ｔｗｉｔｔｅｒ?ＬＤＡ模型首先從表示整個數(shù)據(jù)集的主題分布的狄利克雷先驗分布??Ｄｉｒ（ｃ〇中采樣得到多元分布０。然后，從狄利克雷分布Ｄｉｒ（ｐ）中采樣得到多元分布??２３??


本文編號：3009512