人機(jī)對(duì)話系統(tǒng)是指機(jī)器能通過語音實(shí)時(shí)地與用戶進(jìn)行對(duì)話,并能為用戶提供幫助或服務(wù)的系統(tǒng)。人機(jī)對(duì)話系統(tǒng)通常由語音識(shí)別模塊、口語理解模塊、對(duì)話管理模塊、文本生成模塊和語音合成模塊組成。其中口語理解模塊主要用于提取口語文本中的領(lǐng)域信息、意圖信息和語義槽信息�？谡Z理解模塊在人機(jī)對(duì)話系統(tǒng)中起著至關(guān)重要的作用。因此本文結(jié)合深度神經(jīng)網(wǎng)絡(luò)對(duì)口語理解進(jìn)行了深入研究,并將研究結(jié)果應(yīng)用到語音訂餐對(duì)話系統(tǒng)中。首先,針對(duì)口語文本長(zhǎng)度短,特征稀疏,意圖分類準(zhǔn)確率難以提升的問題,本文提出了一種基于局部語義特征與上下文關(guān)系融合的中文短文本分類模型。該模型利用卷積神經(jīng)網(wǎng)絡(luò)提取文本的局部語義特征,同時(shí)利用雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)提取文本的上下文語義特征,并結(jié)合注意力機(jī)制,使該模型能從眾多的信息特征中提取出和當(dāng)前任務(wù)最相關(guān)的特征,更好地進(jìn)行意圖分類。其次,在口語理解任務(wù)中,意圖識(shí)別與語義槽填充任務(wù)之間存在一定的關(guān)聯(lián)效應(yīng),基于此本文提出了針對(duì)訂餐領(lǐng)域的意圖識(shí)別和語義槽填充聯(lián)合模型。該模型能同時(shí)完成意圖識(shí)別任務(wù)和語義槽填充任務(wù),其中ALBERT預(yù)訓(xùn)練模型和卷積神經(jīng)網(wǎng)絡(luò)用于完成意圖識(shí)別任務(wù),ALBERT預(yù)訓(xùn)練模型和條件隨機(jī)場(chǎng)用于完成語... 

【文章來源】：哈爾濱理工大學(xué)黑龍江省

【文章頁數(shù)】：71 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

ALBERT_CNN_CRF模型損失曲線

哈爾濱理工大學(xué)工程碩士學(xué)位論文-44-圖5-3百度語音識(shí)別程序Fig.5-3Baiduspeechrecognitionprogram5.3對(duì)話管理模塊對(duì)話管理模塊(DialogManagement,DM)控制著人機(jī)對(duì)話的整個(gè)過程，對(duì)話系統(tǒng)的“邏輯性”得益于對(duì)話管理的應(yīng)用。含有對(duì)話管理的對(duì)話系統(tǒng)可以處理更加復(fù)雜多變的場(chǎng)景，更加符合人類的需要。對(duì)話管理根據(jù)口語理解模塊提取到的意圖和語義槽信息、對(duì)話的歷史信息，來做出回復(fù)。本系統(tǒng)采取任務(wù)驅(qū)動(dòng)作的對(duì)話管理機(jī)制，任務(wù)驅(qū)動(dòng)的對(duì)話管理是指用戶帶有明確目的，如訂餐，訂機(jī)票等，且用戶需求比較復(fù)雜，需要進(jìn)行對(duì)輪對(duì)話才能完成；用戶在對(duì)話過程中可以不斷完善或修改自己的需求，如果用戶所表達(dá)的需求不夠具體或明確時(shí)，機(jī)器也可以通過詢問、澄清或確認(rèn)來幫助用戶找到滿意的結(jié)果。任務(wù)驅(qū)動(dòng)的對(duì)話管理實(shí)際就是一個(gè)決策過程，系統(tǒng)在對(duì)話過程中不斷根據(jù)當(dāng)前狀態(tài)和歷史狀態(tài)決定下一步應(yīng)該采取的最優(yōu)動(dòng)作，從而最有效地輔助用戶完成信息查詢或服務(wù)獲取的任務(wù)。Rasa是一個(gè)開源的機(jī)器學(xué)習(xí)框架，由Rasa_NLU和Rasa_core兩大部分組成。其中Rasa_NLU是用來解決口語理解任務(wù)，是將文本的預(yù)處理方法、意圖

定義域文件

【參考文獻(xiàn)】：
期刊論文
[1]基于BERT的中文命名實(shí)體識(shí)別方法[J]. 王子牛,姜猛,高建瓴,陳婭先.  計(jì)算機(jī)科學(xué). 2019(S2)
[2]基于多粒度特征融合的用戶意圖分類[J]. 張春英,李春虎,蘭思武.  華北理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(03)
[3]面向任務(wù)口語理解研究現(xiàn)狀綜述[J]. 侯麗仙,李艷玲,李成城.  計(jì)算機(jī)工程與應(yīng)用. 2019(11)
[4]基于雙向長(zhǎng)短時(shí)記憶-聯(lián)結(jié)時(shí)序分類和加權(quán)有限狀態(tài)轉(zhuǎn)換器的端到端中文語音識(shí)別系統(tǒng)[J]. 姚煜,RYAD Chellali.  計(jì)算機(jī)應(yīng)用. 2018(09)
[5]A Novel Active Learning Method Using SVM for Text Classification[J]. Mohamed Goudjil,Mouloud Koudil,Mouldi Bedda,Noureddine Ghoggali.  International Journal of Automation and Computing. 2018(03)
[6]基于雙通道卷積神經(jīng)網(wǎng)絡(luò)的文本情感分類算法[J]. 申昌,冀俊忠.  模式識(shí)別與人工智能. 2018(02)
[7]Deep learning for natural language processing:advantages and challenges[J]. Hang Li.  National Science Review. 2018(01)
[8]結(jié)合語義擴(kuò)展和卷積神經(jīng)網(wǎng)絡(luò)的中文短文本分類方法[J]. 盧玲,楊武,楊有俊,陳夢(mèng)晗.  計(jì)算機(jī)應(yīng)用. 2017(12)
[9]問答中的問句意圖識(shí)別和約束條件分析[J]. 孫鑫,王厚峰.  中文信息學(xué)報(bào). 2017(06)
[10]基于深度神經(jīng)網(wǎng)絡(luò)的中文命名實(shí)體識(shí)別[J]. 張海楠,伍大勇,劉悅,程學(xué)旗.  中文信息學(xué)報(bào). 2017(04)

碩士論文
[1]面向服務(wù)機(jī)器人的口語對(duì)話系統(tǒng)研究與實(shí)現(xiàn)[D]. 陸亞輝.哈爾濱工業(yè)大學(xué) 2017



本文編號(hào)：3334142