傳統(tǒng)的仿人機(jī)器人對(duì)話系統(tǒng)一般基于模板構(gòu)建,可以在設(shè)定的對(duì)話領(lǐng)域內(nèi)做出較好的回答,但無(wú)法對(duì)領(lǐng)域外的內(nèi)容生成較好的回復(fù)。對(duì)話系統(tǒng)的規(guī)則依賴(lài)人工設(shè)計(jì),缺乏對(duì)交互對(duì)象的情感檢測(cè)。針對(duì)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(cè)交互對(duì)象情感,并搭建了仿人機(jī)器人的開(kāi)放域?qū)υ捪到y(tǒng)。本文的主要研究?jī)?nèi)容和創(chuàng)新點(diǎn)有:(1)基于文本的情感分析模型。以“國(guó)際自然語(yǔ)言處理和中文計(jì)算會(huì)議”(NPLCC)2013、2014年公布的“微博跨語(yǔ)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(lèi)性能,比較了算法的優(yōu)劣和分類(lèi)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(duì)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(cè)情感狀態(tài)。(2)基于注意力機(jī)制的多指標(biāo)對(duì)話清洗模型。針對(duì)網(wǎng)絡(luò)上對(duì)話數(shù)據(jù)庫(kù)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(duì)話清洗模型用于對(duì)話數(shù)據(jù)的無(wú)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(yè)數(shù)】：81 頁(yè)

【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(lái)源
    1.2 課題研究的目的和意義
    1.3 國(guó)內(nèi)外研究概況
        1.3.1 對(duì)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?jī)?nèi)容
第二章 構(gòu)建仿人機(jī)器人對(duì)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(yǔ)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(yǔ)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(yǔ)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(duì)話訓(xùn)練數(shù)據(jù)清洗
    4.1 對(duì)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(duì)話數(shù)據(jù)清洗模型實(shí)驗(yàn)
        4.3.1 對(duì)話數(shù)據(jù)清洗模型對(duì)比實(shí)驗(yàn)
        4.3.2 對(duì)話數(shù)據(jù)清洗模型泛化實(shí)驗(yàn)
        4.3.3 對(duì)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(duì)話系統(tǒng)
    5.1 Seq2seq模型
    5.2 對(duì)話數(shù)據(jù)預(yù)處理
    5.3 最大互信息對(duì)話模型構(gòu)建
    5.4 對(duì)話模型對(duì)比實(shí)驗(yàn)
    5.5 對(duì)話系統(tǒng)搭建
    5.6 對(duì)話系統(tǒng)情感檢測(cè)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(kāi)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