大數(shù)據(jù)及人工智能技術(shù)的發(fā)展對人們的生活方式影響深遠(yuǎn)。各種人工智能相關(guān)應(yīng)用通過與用戶的交互掌握其需求,提供相應(yīng)的服務(wù)博得用戶的滿意。作為人機(jī)交互的重要形式,自然語言處理的意義不言而喻。而文本生成作為其中的經(jīng)典問題也日漸成為學(xué)術(shù)界的熱門研究領(lǐng)域。文本生成擁有廣泛的應(yīng)用場景,比如機(jī)器翻譯、線上聊天機(jī)器人、電子商務(wù)系統(tǒng)及創(chuàng)意廣告當(dāng)中,文本生成技術(shù)都不可或缺。文本生成問題中一個值得關(guān)注的現(xiàn)象是:用戶對于文本的喜好往往因人而異。相關(guān)研究表明,用戶的性格對該用戶對于文本的接受程度有很大的影響。例如在廣告推薦中,有些用戶表現(xiàn)出易受社交影響的特點(diǎn),則“其他用戶也嘗試過”類型的廣告更切中他/她的喜好。因此生成個性化的文本可使文本更具信服力,有助于提升用戶滿意度與信任度,并最終促成購買行為,其意義不言而喻。作為一個新興課題,個性化文本生成包含以下三個研究問題:1)研究場景問題。什么樣的研究任務(wù)中有條件及需求進(jìn)行個性化文本生成;2)信息選取問題。哪些種類的個性化信息對相應(yīng)任務(wù)有益,可以應(yīng)用到文本生成中來;3)信息整合與用戶建模問題。本文在包含推薦與對話的三個傳統(tǒng)或新興的研究場景中研究個性化文本生成,根據(jù)各場景... 

【文章來源】：中國科學(xué)技術(shù)大學(xué)安徽省 211工程院校 985工程院校

【文章頁數(shù)】：107 頁

【學(xué)位級別】：博士

【部分圖文】：

圖１．１編碼器？解碼器架構(gòu)（圖片引自Ｓｈａｎｇｅｔａ丨．⑴）??在一部分工作著眼于研究如何對上文信息進(jìn)行更準(zhǔn)確的建模時，另一部分??

?其二是基于檢索的文本提取，即從用戶評論中選出最相關(guān)詞語、句子乃至整??篇點(diǎn)評作為推薦文本［３７，４２４３］。這種形式的好處在于推薦文本真實(shí)自然，缺點(diǎn)在??于選出的推薦文本容易受到數(shù)據(jù)稀疏性的影響，且由于選取文本的粒度不一，可??解釋性可能會受到一定的影響，需要用戶對選出的文本進(jìn)行再一次的理解。??其三是則是基于生成模型的可解釋文本生成，結(jié)合語言模型，通過對大量用??戶真實(shí)短評的學(xué)習(xí)，對用戶信息進(jìn)行建模，在預(yù)測商品評分的同時生成相應(yīng)的短??評作為推薦語，對評分結(jié)果進(jìn)行解釋［２］（如圖１．２）。此模型的優(yōu)點(diǎn)在于短評生成??與用戶建模的特征直接相關(guān)，使得生成的短評符合個性化的需求，多任務(wù)的學(xué)習(xí)??架構(gòu)使得評分與推薦文本生成互相輔助，兩任務(wù)的結(jié)果相對統(tǒng)一。然而，該任務(wù)??中的模型可解釋性相對缺失，建模的用戶隱式特征難以解釋真正含義，難以顯式??表明用戶隱式特征在推薦語生成中的作用。另外，模型對于用戶建模顯得較為簡??單，對用戶的歷史點(diǎn)評信息缺乏一定的利用。故我們希望結(jié)合用戶的歷史信息對??用戶的一些顯式特征建模，發(fā)掘用戶對特定商品評價時的關(guān)鍵興趣，并由此生成??與該興趣直接相關(guān)的文本作為推薦語。??Ｊ??Ｒａｔｉｎｇ?Ｉ?丨?Ｒｅａｌｌｙ?｜?｜?ｇｏｏｄ?ｉ?ｐｉｚｚａ?｜?｜?！?ｉ?ｉ?＜ｅｏｓ＞??４?Ｉ?＂?？?：?；?？?＇?：?革?；?……￣?：?：?＇４???ｆ?ＣＺＤＥ３??；??ｉ?丨?丨��；??□?！?Ｒｅｖｋｗ?ｒｍ?Ｆｍ?ｒｎ￣ｉ?ｒｒｒｉ?ｒｍ??ｉ?４?ｉ??「’［］＂！?ｉ?１＇、—??４?ｉ?Ｉ?１?４?ｆ：丨?１?Ｈｉ、�。�?ＣＩＺＤ??，７＾＇、

?第１章緒?論???義了相對清晰的流程（如圖１．３），并結(jié)合記憶網(wǎng)絡(luò)選擇問題以及確定推薦結(jié)果，??其后Ｂｉ?ｅｔ?ａｌ．［４７］設(shè)計(jì)了吸收用戶負(fù)反饋的機(jī)制并將提問問題轉(zhuǎn)換為判斷型的問??題簡化用戶回答開銷；另有工作［４６］以任務(wù)相關(guān)的聊天機(jī)器人為主要場景，在對??話生成中嵌入商品推薦模塊，利用上文信息建模用戶興趣�？傮w而言，現(xiàn)有的對??話式推薦系統(tǒng)大都致力于研宄系統(tǒng)所提問題的形式與選擇策略，力求盡可能迅??速的建模用戶興趣，得到準(zhǔn)確推薦結(jié)果，問題的生成一般基于規(guī)則。在展現(xiàn)結(jié)果??時，模型不具備對結(jié)果進(jìn)行解釋的能力，用戶無法了解系統(tǒng)的具體推薦原因，影??響說服力。另一方面，由于是模型自主選擇提問的問題，用戶反饋的自由度受到??限制，在系統(tǒng)推薦給用戶不滿意的結(jié)果時，用戶缺乏自主進(jìn)行反饋的機(jī)會，顯得??不夠友好。??ｒ?Ｙ?＇；??ｉ??！?Ｒｅｓｕｌｔ？?ＴＴｒ－ｒｉ?：??！?——ｒｒ—．——！???Ｈｉｇｈ??Ｉｎｉｔｉａｌ?ｊ?；??／ｗ?Ｒｅｑｕｅｓｔ?＼丨?ｒｄｎ！??，?Ｉ?Ｖ，??／?＾?ｌ）?１??？ｅＵｓｐｏｎ〇５ｅ?１￣Ｈ?Ｓｅａｒｃｈ?Ｍｏｄｕｌｅ?￣￣？?｜?；??ｊ?Ｖ?Ｒｅｓｐｏｎｓｅ?］?Ｉ?［?Ｉｔｅｍ?Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ?丨?Ｖ；??｜?：?ｉ?１?ｊ??＾???＼?ｊ??Ｙｅｓ?Ｉ?Ｎｏ?一＇Ｑｕｅｓｔｉｏｎ?Ｍｏｄｕｌｅ?＾￣２＾１?丨??：?Ｔ?；??？?ｉ????；??！??！?Ｑｕｅｓｔｉｏｎ?；??＼?Ｕｓｅｒ?Ａ?—?：?Ｓｙｓｔｅｍ?；??圖１．３對話式推薦系統(tǒng)基本流程（圖片引自Ｚｈａｎｇ?ｅ

【參考文獻(xiàn)】：
期刊論文
[1]協(xié)同過濾推薦技術(shù)綜述[J]. 冷亞軍,陸青,梁昌勇.  模式識別與人工智能. 2014(08)
[2]個性化推薦系統(tǒng)綜述[J]. 王國霞,劉賀平.  計(jì)算機(jī)工程與應(yīng)用. 2012(07)



本文編號：2985017