發(fā)布時間：2021-07-03 07:38

　　隨著人工智能技術(shù)的發(fā)展,人與智能設(shè)備之間的交互方式逐漸趨于智能化,人們可以通過與智能機器人進行多輪的對話交互,從而完成某項任務(wù)或某項服務(wù)。對話管理作為人機對話系統(tǒng)中的一個重要組成部分,包含了對話狀態(tài)跟蹤和對話策略兩個部分。對話狀態(tài)跟蹤模塊實時追蹤并更新對話的狀態(tài),對話策略模塊在對話狀態(tài)跟蹤的基礎(chǔ)上,分析得出系統(tǒng)響應(yīng)的動作。對話管理的性能直接影響到對話系統(tǒng)的性能,因此,任務(wù)型對話系統(tǒng)中對話管理的研究與應(yīng)用具有重要的意義。對話狀態(tài)跟蹤任務(wù)面臨著模塊間誤差傳遞和數(shù)據(jù)稀疏的問題。對話策略模塊目前面臨的主要問題是缺少訓(xùn)練數(shù)據(jù)冷啟動的問題和如何構(gòu)建考慮知識庫搜索結(jié)果的對話策略模型的問題。本文針對上述問題開展了一系列工作,主要內(nèi)容包括:針對對話狀態(tài)跟蹤中誤差傳遞和數(shù)據(jù)稀疏的問題,本文構(gòu)建了自然語言理解和對話狀態(tài)跟蹤的聯(lián)合模型。模型使用基于雙向循環(huán)網(wǎng)絡(luò)的編碼器,對系統(tǒng)動作、用戶話語和候選槽-值對進行編碼。在公開英文數(shù)據(jù)集和自有中文數(shù)據(jù)集上的實驗結(jié)果表明,本文提出的模型取得了比現(xiàn)有模型更好的性能,在聯(lián)合目標準確率上較對比模型分別提升了17.5%、4.6%、3.9%、4.1%、0.2%。模型有效地緩解了數(shù)... 

【文章來源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：86 頁

【學(xué)位級別】：碩士

【部分圖文】：

任務(wù)型對話系統(tǒng)的組成部分本文的主要研究內(nèi)容是任務(wù)型對話系統(tǒng)中對話管理模塊當中的兩個子任務(wù)：對話狀

第一章緒論3的設(shè)計者提前規(guī)定動作的取值范圍。訂餐館任務(wù)中的人機對話的例子如圖1-2(a)所示。系統(tǒng)首先引導(dǎo)用戶提供餐館的地點、價位和食物類型等信息，用戶隨后給出了目標約束：希望找到價格便宜并且地點在南邊的餐廳；接著系統(tǒng)詢問用戶食物類型的偏好，用戶表示沒有要求；然后系統(tǒng)通過用戶給出的約束條件搜索到了名為“l(fā)uckystar”的餐館；用戶繼續(xù)詢問系統(tǒng)該餐館的電話號碼和地址。在此對話過程中，系統(tǒng)的對話狀態(tài)跟蹤器在每一輪次結(jié)束后更新對話狀態(tài)，對話策略接收來自對話狀態(tài)跟蹤模塊輸出的對話狀態(tài)表示，決策出系統(tǒng)的響應(yīng)動作，其狀態(tài)更新過程和系統(tǒng)動作如圖1-2(b)所示。圖1-2(a)訂餐館任務(wù)中的人機對話示例(b)訂餐任務(wù)中對話狀態(tài)更新過程示例1.1.2研究意義在任務(wù)型對話系統(tǒng)中，系統(tǒng)需要擁有把控用戶目標意圖的能力，實時跟蹤對話的狀態(tài)。對話狀態(tài)決定系統(tǒng)的決策和響應(yīng)，而在真實環(huán)境下，對話狀態(tài)通常是不完全可觀測的。此外，用戶使用自然語言與系統(tǒng)進行對話具有很強的口語性，包括使用代詞、省略句等復(fù)雜情況，同時用戶的意圖和目標可能在對話的過程中發(fā)生改變。因此，在任務(wù)型的對話系統(tǒng)中，考慮對話歷史上下文的對話狀態(tài)跟蹤具有十分重要的研究意義[14,15]。

第一章緒論5（5）構(gòu)建了基于多輪對話的音樂搜索系統(tǒng)，將基于層次化結(jié)構(gòu)的狀態(tài)跟蹤模型應(yīng)用在系統(tǒng)的自然語言理解和對話狀態(tài)跟蹤聯(lián)合建模上，解決考慮對話上下文的對話狀態(tài)跟蹤問題，同時將融合強化學(xué)習(xí)和屬性信息熵的對話策略方法應(yīng)用在系統(tǒng)的對話策略模塊中。對系統(tǒng)的模塊和模塊間的通信進行了說明，并給出了系統(tǒng)的演示界面。論文的組織架構(gòu)如圖1-3所示。圖1-3本文的組織架構(gòu)圖第一章為緒論，主要介紹了本文選題的研究背景和意義，介紹了任務(wù)型對話系統(tǒng)的組成結(jié)構(gòu)，并給出了對話狀態(tài)跟蹤和對話策略任務(wù)的定義。最后交代了本文的主要研究內(nèi)容和組織架構(gòu)。第二章介紹研究基礎(chǔ)及相關(guān)理論和技術(shù)，首先從基于規(guī)則、基于生成式模型和基于判別式模型三個方面分析了對話狀態(tài)跟蹤任務(wù)的研究現(xiàn)狀，并從基于有限狀態(tài)自動機、基于填槽法和基于強化學(xué)習(xí)的策略模型三個方面分析了對話策略任務(wù)的研究現(xiàn)狀。然后分別介紹了對話狀態(tài)跟蹤任務(wù)和對話策略任務(wù)的相關(guān)理論和技術(shù)。第三章介紹本文提出的基于層次化建模的對話狀態(tài)跟蹤模型，描述了基于Bi-LSTM的編碼器和基于注意力機制的評分模型的設(shè)計和訓(xùn)練方法，同時在公開數(shù)據(jù)集和項目數(shù)據(jù)集兩種數(shù)據(jù)集上進行了實驗，并對結(jié)果進行了分析。第四章主要介紹融合馬爾科夫獎勵過程和屬性信息熵的對話策略模型，針對知識庫搜索型對話系統(tǒng)的冷啟動問題，提出了融合馬爾科夫獎勵過程和屬性信息熵的對話策略方法，并在基于多輪對話的音樂搜索任務(wù)中進行了實驗，驗證了融合算法的有效性。


本文編號：3262170