發(fā)布時間：2024-05-08 21:03

　　隨著自然語言處理技術(shù)的越來越成熟,市場上的應(yīng)答機(jī)器人產(chǎn)品也越來越多,其中比較具有代表性的應(yīng)答機(jī)器人產(chǎn)品有蘋果的Siri、微軟的小冰、亞馬遜的語音助手Alexa等等。研發(fā)應(yīng)答機(jī)器人的關(guān)鍵內(nèi)容在于應(yīng)答語料庫的構(gòu)建,目前市場上應(yīng)答語料庫的構(gòu)建方法主要有基于知識檢索的檢索式構(gòu)建方法、基于人工模板的情景式構(gòu)建方法、基于深度學(xué)習(xí)的生成式構(gòu)建方法。然而,對于單一基于知識檢索構(gòu)建、基于人工模板的情景式構(gòu)建或者基于深度學(xué)習(xí)的生成式方法構(gòu)建的應(yīng)答語料庫遠(yuǎn)沒有達(dá)到期望的效果,同時應(yīng)答內(nèi)容缺乏對某一領(lǐng)域的專業(yè)性。針對目前市面上的應(yīng)答語料庫構(gòu)建方法不實用,達(dá)不到預(yù)期效果、應(yīng)答內(nèi)容缺乏對某一領(lǐng)域?qū)I(yè)性的共同缺點,提出了一種混合式的智能應(yīng)答語料庫構(gòu)建方法的改進(jìn)方案。本文提出的混合式的智能應(yīng)答語料庫構(gòu)建方法是基于深度學(xué)習(xí)的生成式應(yīng)答語料庫構(gòu)建方法結(jié)合基于AIML的情景式應(yīng)答語料庫構(gòu)建方法。即它具備了基于AIML的情景式應(yīng)答語料庫在軟件工程領(lǐng)域答疑的精準(zhǔn)性,同時也具有基于深度學(xué)習(xí)的生成式應(yīng)答語料庫在日常應(yīng)答中表現(xiàn)出來的專業(yè)性(對上下文內(nèi)容的理解記憶能力)。本文基于深度學(xué)習(xí)的生成式應(yīng)答語料庫構(gòu)建方法,充分利用了深度學(xué)習(xí)中...

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖3.4CNN網(wǎng)絡(luò)結(jié)構(gòu)

11相連，這里所指區(qū)域的大小只取決于卷積核的大小。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖3.4所示。圖3.4CNN網(wǎng)絡(luò)結(jié)構(gòu)從圖3.4可以看出，卷積神經(jīng)網(wǎng)絡(luò)由卷積層、抽樣層、全連接層組成。卷積層是CNN中最重要的一個層次，通過卷積的計算可以發(fā)現(xiàn)更多的特征信息，在參數(shù)共享機(jī)制下....

圖4.8訓(xùn)練過程輸出結(jié)果

進(jìn)行模型訓(xùn)練時采用的是循環(huán)迭代的方式進(jìn)行數(shù)據(jù)迭代，Encoder的輸入使用的是question集中的對話語料，Decoder的輸入使用的是answer集中與question中相對應(yīng)的對話語料和Encoder的輸出結(jié)果。本文在進(jìn)行模型訓(xùn)練過程中進(jìn)行了大量的迭代，模....

圖5.2基于RNN的Encoder-Decoder模型

合式專業(yè)知識庫模塊語音合成MYSQL數(shù)據(jù)庫開始結(jié)束圖5.1整體流程圖5.2生成式智能應(yīng)答語料庫構(gòu)建方法對比為了與本文中生成式智能應(yīng)答語料庫構(gòu)建方法中使用的基于Attention機(jī)制的雙向LSTM編碼模型結(jié)果進(jìn)行對比。本文使用相同的對話語料數(shù)據(jù)針對性的構(gòu)建了一個只使用R....

圖5.3基于Attention的Encoder-Decoder模型

于RNN的Encoder-Decoder模型圖5.3基于Attention的Encoder-Deco比圖5.2基于RNN的Encoder-Decoder模型，5.3基于Attenr-Decoder模型中的對話可以看出，本文提出的embedd....

本文編號：3967821