伴隨著信息咨詢需求的不斷增加,人機(jī)對(duì)話交互的場(chǎng)景越來(lái)越多。一般的對(duì)話中用戶帶著明確的目的而來(lái),希望得到滿足特定條件的信息或服務(wù),例如:訂餐,訂票,尋找音樂(lè)、電影或某種商品等等,并且由于用戶的需求可能比較復(fù)雜,需要分多輪進(jìn)行陳述,用戶也可能在對(duì)話過(guò)程中不斷修改或完善自己的需求。此外,當(dāng)用戶的陳述的需求不夠具體和明確的時(shí)候,機(jī)器也可以通過(guò)詢問(wèn)、澄清或確認(rèn)來(lái)幫助用戶找到滿意的結(jié)果。因此需要從對(duì)話過(guò)程中提取出用戶表達(dá)的信息特征,建立合適的對(duì)話質(zhì)量評(píng)估模型,從而有助于人們?nèi)ジ纳茩C(jī)器語(yǔ)言對(duì)話技巧,對(duì)提高用戶咨詢滿意度具有重要意義。在本文工作中,將重點(diǎn)放在了多輪對(duì)話的語(yǔ)義特征上,利用多種深度網(wǎng)絡(luò)模型去提取語(yǔ)言特征,并針對(duì)與中文對(duì)話提出相關(guān)模型,主要工作包括以下幾個(gè)方面:本文首先利用統(tǒng)計(jì)的對(duì)話特征進(jìn)行學(xué)習(xí),包括LR、SVM、決策樹等傳統(tǒng)機(jī)器學(xué)習(xí)方法對(duì)人工添加時(shí)間特征的樣本數(shù)據(jù)的訓(xùn)練以及以循環(huán)神經(jīng)網(wǎng)絡(luò)模型對(duì)交互歷史特征的自動(dòng)提取,結(jié)合所提出的各項(xiàng)指標(biāo)結(jié)果對(duì)比發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型能夠有效地捕獲對(duì)話序列特征。隨后基于NLP相關(guān)研究基礎(chǔ),僅從對(duì)話文本出發(fā),不再做人工特征的提取,提出了利用BiLSTM、1D-CNN... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省211工程院校教育部直屬院校

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)照表
第一章 緒論
    1.1 研究背景與意義
    1.2 人機(jī)對(duì)話系統(tǒng)的發(fā)展
    1.3 人機(jī)對(duì)話質(zhì)量評(píng)估的研究現(xiàn)狀
    1.4 研究思路
    1.5 本文結(jié)構(gòu)
第二章 傳統(tǒng)對(duì)話評(píng)估方法
    2.1 引言
    2.2 人機(jī)對(duì)話系統(tǒng)概述
        2.2.1 LEGO公交查詢系統(tǒng)介紹
        2.2.2 數(shù)據(jù)集統(tǒng)計(jì)特征介紹
    2.3 基于統(tǒng)計(jì)特征的模型介紹
        2.3.1 傳統(tǒng)機(jī)器學(xué)習(xí)模型
        2.3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)的模型
    2.4 對(duì)話質(zhì)量評(píng)估指標(biāo)
    2.5 實(shí)驗(yàn)及結(jié)果分析
        2.5.1 加入時(shí)間窗的傳統(tǒng)方法
        2.5.2 循環(huán)神經(jīng)網(wǎng)絡(luò)模型
    2.6 本章小結(jié)
第三章 基于NLP的對(duì)話質(zhì)量評(píng)估
    3.1 引言
    3.2 詞嵌入層
        3.2.1 詞袋模型
        3.2.2 詞查表
    3.3 對(duì)話文本特征提取
        3.3.1 BiLSTM模型
        3.3.2 1D-CNN模型
        3.3.3 Multi-head Attention
    3.4 實(shí)驗(yàn)及結(jié)果分析
        3.4.1 數(shù)據(jù)預(yù)處理
        3.4.2 模型結(jié)果對(duì)比分析
        3.4.3 文本加錯(cuò)實(shí)驗(yàn)
    3.5 本章小結(jié)
第四章 中文對(duì)話系統(tǒng)的評(píng)估方法
    4.1 引言
    4.2 中文語(yǔ)言特性分析
        4.2.1 分詞方式
        4.2.2 中文字形
    4.3 基于CNN的對(duì)話象形特征提取
        4.3.1 田字格CNN模型
        4.3.2 群卷積模型
        4.3.3 多任務(wù)輔助學(xué)習(xí)
        4.3.4 整體模型
    4.4 實(shí)驗(yàn)及結(jié)果分析
        4.4.1 中文語(yǔ)料庫(kù)的構(gòu)建
        4.4.2 漢字圖像集
        4.4.3 模型參數(shù)及結(jié)果分析
    4.5 總結(jié)
第五章 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 未來(lái)研究展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]SIRI智能語(yǔ)音系統(tǒng)在汽車上的應(yīng)用[J]. 劉思源.  中國(guó)新技術(shù)新產(chǎn)品. 2014(09)
[2]音頻檢索技術(shù)概述[J]. 張華.  廣東通信技術(shù). 2013(07)
[3]詞典與統(tǒng)計(jì)方法結(jié)合的中文分詞模型研究及應(yīng)用[J]. 蔣建洪,趙嵩正,羅玫.  計(jì)算機(jī)工程與設(shè)計(jì). 2012(01)
[4]中文分詞算法概述[J]. 龍樹全,趙正文,唐華.  電腦知識(shí)與技術(shù). 2009(10)



本文編號(hào)：3643329