任务型人机对话系统开发平台的设计与实现

发布时间：2022-01-25 21:03

　　任务型人机对话系统可以为用户提供特定的信息服务,在为人们提供便利的同时,有效地降低企业的人力成本。近年来,各类企业对任务型人机对话系统的需求与日俱增。鉴于任务型人机对话系统在不同领域都存在着广泛的应用价值,为了有效降低任务型人机对话系统的开发周期和研发成本,提升任务型人机对话系统开发的便利性,本文以任务型人机对话系统开发平台作为研究方向。在分析了现有任务型人机对话系统开发平台的优点与不足的基础上,主要开展了如下的工作:设计并实现了一个任务型人机对话系统开发平台。在分析任务型人机对话系统及其开发平台业务需求的基础上,定义了开发平台的功能需求和非功能需求。按照需求分析,对任务型人机对话系统开发平台进行了总体设计,包括系统架构、系统功能、系统运行流程和系统类关系的设计。基于系统总体设计方案,对系统的自然语言理解、对话管理、对话生成、数据库、面向开发者和用户的Web各功能模块进行了详细的设计和实现,通过功能描述、数据结构和算法定义、流程图、UML类关系图等方式介绍各功能模块的设计和实现过程,各模块涉及到的核心算法基于传统机器学习、深度学习和强化学习相关技术。完成系统的设计开发后,从功能和性能的... 

【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

一任务型人机对话示例

图１－３任务型人机对话系统框架??１．２．３自然语言理解研究现状??在任务型人机对话系统中，自然语言理解模块负责将用户输入的与任务相关??的信息转化为机器可解释的结构化信息，一般将自然语言理解任务分为领域识别、??意图识别与槽填充三个子任务。下面为这三个子任务的研宄现状。??领域识别方面，任务型人机对话系统根据具体任务需求，可以将服务的信息??对象划分为不同的领域，这里的领域一般根据业务类型的不同来划分。领域识别??任务可视为文本分类任务，在训练数据较为充分时，传统机器学习和深度学习方??法都可以较好地解决该类任务，传统机器学习中典型的模型包括朴素贝叶斯［１５］、??支持向量机（ＳＶＭ：?Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ）［１６］等，深度学习典型的模型包括长短??期记忆神经网络（ＬＳＴＭ：?Ｌｏｎｇ?Ｓｈｏｒｔ－Ｔｅｒｍ?Ｍｅｍｏｒｙ）［１７］和卷积神经网络（ＣＮＮ：??Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ?）［１８］等。??意图识别同样可视为分类问题，基本上所有重要的统计分类器都被用于意图??识别。Ｈａｆｆｎｅｒ等提出了一个基于ＳＶＭ的意图识别模型［１９］，将多个ＳＶＭ二分类??

?ｆ?（ＮＩＧ）?’?：??图１－３任务型人机对话系统框架??１．２．３自然语言理解研究现状??在任务型人机对话系统中，自然语言理解模块负责将用户输入的与任务相关??的信息转化为机器可解释的结构化信息，一般将自然语言理解任务分为领域识别、??意图识别与槽填充三个子任务。下面为这三个子任务的研宄现状。??领域识别方面，任务型人机对话系统根据具体任务需求，可以将服务的信息??对象划分为不同的领域，这里的领域一般根据业务类型的不同来划分。领域识别??任务可视为文本分类任务，在训练数据较为充分时，传统机器学习和深度学习方??法都可以较好地解决该类任务，传统机器学习中典型的模型包括朴素贝叶斯［１５］、??支持向量机（ＳＶＭ：?Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ）［１６］等，深度学习典型的模型包括长短??期记忆神经网络（ＬＳＴＭ：?Ｌｏｎｇ?Ｓｈｏｒｔ－Ｔｅｒｍ?Ｍｅｍｏｒｙ）［１７］和卷积神经网络（ＣＮＮ：??Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ?）［１８］等。??意图识别同样可视为分类问题

【参考文献】：
期刊论文
[1]基于改进TF-IDF算法的情报关键词提取方法[J]. 张瑾.  情报杂志. 2014(04)
[2]自然语言理解研究综述[J]. 郭艳华,周昌乐.  杭州电子工业学院学报. 2000(01)



本文编号：3609208