傳統(tǒng)的仿人機(jī)器人對話系統(tǒng)一般基于模板構(gòu)建,可以在設(shè)定的對話領(lǐng)域內(nèi)做出較好的回答,但無法對領(lǐng)域外的內(nèi)容生成較好的回復(fù)。對話系統(tǒng)的規(guī)則依賴人工設(shè)計(jì),缺乏對交互對象的情感檢測。針對傳統(tǒng)方法的不足,本文基于深度神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了情感分析模型用以檢測交互對象情感,并搭建了仿人機(jī)器人的開放域?qū)υ捪到y(tǒng)。本文的主要研究內(nèi)容和創(chuàng)新點(diǎn)有:(1)基于文本的情感分析模型。以“國際自然語言處理和中文計(jì)算會(huì)議”(NPLCC)2013、2014年公布的“微博跨語言情感識(shí)別數(shù)據(jù)”作為情感分析模型數(shù)據(jù)集,本文評(píng)估了循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、樸素貝葉斯等算法的分類性能,比較了算法的優(yōu)劣和分類結(jié)果的相關(guān)性。為了集成各個(gè)算法的優(yōu)點(diǎn),進(jìn)一步提高模型的準(zhǔn)確率,本文實(shí)驗(yàn)對比了軟投票策略和Stacking兩種集成策略。最終情感分析模型采用Stacking形式構(gòu)建,F1值高達(dá)0.804,可較好的檢測情感狀態(tài)。(2)基于注意力機(jī)制的多指標(biāo)對話清洗模型。針對網(wǎng)絡(luò)上對話數(shù)據(jù)庫質(zhì)量低、噪聲大等缺陷,本文提出基于注意力機(jī)制的多指標(biāo)對話清洗模型用于對話數(shù)據(jù)的無監(jiān)督清洗。區(qū)別于現(xiàn)有模型,該模型的創(chuàng)新點(diǎn)在于集成了雙層注意力機(jī)制,并采用多個(gè)指...

【文章頁數(shù)】：81 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題來源
    1.2 課題研究的目的和意義
    1.3 國內(nèi)外研究概況
        1.3.1 對話模型研究概況
        1.3.2 情感分析研究概況
        1.3.3 仿人機(jī)器人研究概況
    1.4 論文的主要研究內(nèi)容
第二章 構(gòu)建仿人機(jī)器人對話系統(tǒng)的相關(guān)技術(shù)
    2.1 仿人頭部機(jī)器人SHFR-Ⅲ
    2.2 自然語言常用特征表示
        2.2.1 獨(dú)熱編碼
        2.2.2 TF-IDF特征表示
        2.2.3 Word2vec
    2.3 自然語言中的深度學(xué)習(xí)應(yīng)用
        2.3.1 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.3.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.3 神經(jīng)網(wǎng)絡(luò)相關(guān)技巧
    2.4 本章小結(jié)
第三章 仿人機(jī)器人情感分析模型
    3.1 語音情感識(shí)別實(shí)現(xiàn)方法
    3.2 數(shù)據(jù)預(yù)處理
    3.3 情感分析模型構(gòu)建
        3.3.1 支持向量機(jī)模型
        3.3.2 樸素貝葉斯模型
        3.3.3 循環(huán)神經(jīng)網(wǎng)絡(luò)模型
        3.3.4 卷積神經(jīng)網(wǎng)絡(luò)模型
    3.4 情感分析模型實(shí)驗(yàn)
    3.5 多模型集成
    3.6 本章小結(jié)
第四章 仿人機(jī)器人對話訓(xùn)練數(shù)據(jù)清洗
    4.1 對話數(shù)據(jù)清洗實(shí)現(xiàn)方法
    4.2 基于注意力機(jī)制的多指標(biāo)模型構(gòu)建
    4.3 對話數(shù)據(jù)清洗模型實(shí)驗(yàn)
        4.3.1 對話數(shù)據(jù)清洗模型對比實(shí)驗(yàn)
        4.3.2 對話數(shù)據(jù)清洗模型泛化實(shí)驗(yàn)
        4.3.3 對話數(shù)據(jù)清洗模型注意力機(jī)制驗(yàn)證
    4.4 本章小結(jié)
第五章 仿人機(jī)器人對話系統(tǒng)
    5.1 Seq2seq模型
    5.2 對話數(shù)據(jù)預(yù)處理
    5.3 最大互信息對話模型構(gòu)建
    5.4 對話模型對比實(shí)驗(yàn)
    5.5 對話系統(tǒng)搭建
    5.6 對話系統(tǒng)情感檢測實(shí)驗(yàn)
    5.7 本章小結(jié)
第六章 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
參考文獻(xiàn)
作者在攻讀碩士學(xué)位期間公開發(fā)表的論文
作者在攻讀碩士學(xué)位期間所參與的項(xiàng)目
致謝



本文編號(hào)：3780701