在線教育的客服業(yè)務(wù)越來越受到人們重視�？头䴓I(yè)務(wù),是在線教育提供商獲取用戶需求,了解用戶體驗情況的重要途徑,也是在線教育提供商及時獲取用戶意見,對產(chǎn)品進行改進的重要參考來源。在工業(yè)界的實際應(yīng)用中,客服業(yè)務(wù)存在兩個問題:在線教育提供商積累了大量客服數(shù)據(jù)。但這些數(shù)據(jù)并沒有得到充分挖掘和利用;目前客服業(yè)務(wù)普遍基于人工,由此帶來客服質(zhì)量不穩(wěn)定、成本高昂等問題,急需自動化客服服務(wù)方式幫助。自然語言處理技術(shù),特別是深度學(xué)習(xí)自然語言處理技術(shù)的進展,給上述問題的解決帶來了希望。本文把自然語言處理技術(shù)應(yīng)用到在線教育的客服業(yè)務(wù)中,以解決上述問題。具體工作如下:（1）對客服數(shù)據(jù)進行了數(shù)據(jù)挖掘,為對話機器人的設(shè)計進行了基礎(chǔ)準備工作,包括:對于網(wǎng)絡(luò)客服咨詢數(shù)據(jù),采用機器學(xué)習(xí)算法對客服文本進行聚類,發(fā)現(xiàn)選課報班咨詢是最常用的客服問題之一。對于電話客服對話數(shù)據(jù),開發(fā)程序,調(diào)用和評估了6種中文商用語音識別系統(tǒng)的語音轉(zhuǎn)文本性能。發(fā)現(xiàn)各系統(tǒng)轉(zhuǎn)寫錯誤率普遍很高。最優(yōu)的阿里語音識別接口錯誤率也達49.55%,其它系統(tǒng)錯誤率均超過60%;設(shè)計了基于機器學(xué)習(xí)、深度學(xué)習(xí)的客服對話分類系統(tǒng),對客服會話文本進行分類,提取選課報班對話語料... 

【文章來源】：北京交通大學(xué)北京市211工程院校教育部直屬院校

【文章頁數(shù)】：88 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－２?ＣＮＮ的稀疏連接??－

（１）稀疏交互。又稱稀疏連接或稀疏權(quán)重，相比于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中每一個輸??出單元與每一個輸入單元都產(chǎn)生交互，卷積神經(jīng)網(wǎng)絡(luò)使用卷積核（Ｋｅｒｎｅｌ）實現(xiàn)輸入??對輸出的影響，如圖２－２、圖２－３所示［３３］。對兩張圖來說，每張圖從上往下看，可??以看出每個輸出單元以及對其產(chǎn)生影響的輸入單元個數(shù)的不同。圖２－３說明，在傳??統(tǒng)神經(jīng)網(wǎng)絡(luò)中，每一個輸出單元受到所有輸入單元控制；而在卷積神經(jīng)網(wǎng)絡(luò)中，??在圖２－２卷積核大小為３的情況下，每一個輸入單元僅會對三個輸出單元產(chǎn)生影響。??這一特性使得模型的存儲空間得到極大減少，同時也減少了計算量，提高統(tǒng)計效??率；??０?０?？?＃?Ｑ??０?０?０?０?０??圖２－２?ＣＮＮ的稀疏連接??Ｆｉｇｕｒｅ?２－２?Ｔｈｅ?Ｓｐａｒｓｅ?Ｃｏｎｎｅｃｔｉｖｉｔｙ?ｏｆ?ＣＮＮ??１４??

０?（Ｏｕｔｐｕｔ?Ｆｅａｔｕｒｅ?Ｍａｐ）：輸出單元。根據(jù)輸入／選擇與之相關(guān)的記憶單兀；??（Ｒｅｓｐｏｎｓｅ）：表示單元。將輸出單元的輸出轉(zhuǎn)換為詞語輸出。??以問答系統(tǒng)為例，一個記憶網(wǎng)絡(luò)的結(jié)構(gòu)可以通過下圖２－５表示［Ｍ１：??Ｆｅａｔｕｒｅ??Ｉｎｐｕｔ?Ｖｅｃｔｏｒ??Ｔｅｓｔ?—?＞?ｊ?＞?Ｇ??個??；４??Ｍ—ｙ?Ｓｌｏｔｓ???ｙ?Ｆｅａｔｕｒｅ????Ｑｕｅｓｔｉｏｉｉ?（?￣?Ｖｅｃｔｏｒ?：?｜??Ｔｅｘｔ?．…——＞?〇?—Ｒ?Ａｎｓｗｅｒ??ｊ?Ｔｅｘｔ??圖２－５記憶網(wǎng)絡(luò)結(jié)構(gòu)??Ｆｉｇｕｒｅ?２－５?Ｔｈｅ?Ａｒｃｈｉｔｅｃｔｕｒｅ?ｏｆ?Ｍｅｍｏｒｙ?Ｎｅｔｗｏｒｋｓ??如果所有的構(gòu)件都是神經(jīng)網(wǎng)絡(luò)的話，此時的記憶網(wǎng)絡(luò)稱為記憶神經(jīng)網(wǎng)絡(luò)??（ＭｅｍｏｒｙＮｅｕｒａｌＮｅｔｗｏｒｋｓ），簡稱ＭｅｍＮＮ。假設(shè)輸入為一段對話，ＭｅｍＮＮ的計??算過程如下：??（１）

【參考文獻】：
期刊論文
[1]利用拼音特征的深度學(xué)習(xí)文本分類模型[J]. 趙博軒,房寧,趙群飛,張朋柱.  高技術(shù)通訊. 2017(07)
[2]基于眾包的聊天機器人的研究[J]. 鄭曉霞,呂游,鄧紅,劉向春,張艷艷,李艷波,吳長偉,齊浩亮,馬東宇.  信息技術(shù). 2017(04)
[3]海量信息下的文本分類研究與優(yōu)化[J]. 劉威,邵劍飛,張磊磊.  新技術(shù)新工藝. 2017(02)
[4]不同情境下中文文本分類模型的表現(xiàn)及選擇[J]. 蘭秋軍,李衛(wèi)康,劉文星.  湖南大學(xué)學(xué)報(自然科學(xué)版). 2016(04)

碩士論文
[1]一種網(wǎng)絡(luò)聊天機器人的研究與實現(xiàn)[D]. 董永漢.浙江大學(xué) 2017
[2]基于循環(huán)神經(jīng)網(wǎng)絡(luò)模型的文本分類[D]. 龔千健.華中科技大學(xué) 2016
[3]基于ALICE的研究生招生咨詢智能聊天機器人研究與實現(xiàn)[D]. 馮德虎.西南交通大學(xué) 2013
[4]中文文本分類關(guān)鍵技術(shù)研究與實現(xiàn)[D]. 何鐘莉.西安電子科技大學(xué) 2009



本文編號：3616144