基于领域知识图谱的任务型对话理解方法研究

发布时间：2024-04-15 01:05

　　在人工智能兴起的浪潮中,模拟人类交流能力的智能对话系统因其广泛的应用场景一直受到工业界的重点关注,同时也是国内外研究学者的热门研究方向之一。在对话系统类别中,任务导向型对话系统能够通过多轮对话的形式收集用户需求信息,提供符合用户描述要求的服务。普遍面向垂直领域的任务型对话系统在为人们生活提供更高效更优质服务的同时,也为企业节省大量人力成本,具有巨大的商业应用价值。基于管道方式开发实现的任务型对话系统通常由三个关键模块(自然语言理解模块、对话管理模块、自然语言生成模块)和一个后端数据库组成。自然语言理解模块对用户语义解析的准确程度直接限制系统的性能,因此,本文面向解决垂直领域任务的对话系统,重点对于其中自然语言理解部分展开研究。自然语言理解可以拆分成两个子任务:意图识别和语义槽填充,尽管国内外关于这两个任务已经展开了大量研究工作,但较少工作关注于系统的多轮交互特性,并且尚未有效整合领域知识来提升语言解析效果。本文针对上述问题,基于深度学习模型,开展了结合语境的意图识别方法和融合领域知识的槽填充方法研究。针对多轮对话数据的时序性,提出基于上下文信息的意图识别模型。对于单一对话中的多种意图采...

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

图1-1任务型对话系统基本结构

哈尔滨工业大学工学硕士学位论文2信息点较多，通常情况下需要人机多轮交互，用户可以在对话过程中不断完善或修改自己的需求，任务导向型系统则需不断通过询问、澄清和确认等手段帮助用户完成目标任务（2）非任务导向型对话系统（Non-task-orientedDialogueSystem）：....

图1-2用户对话理解流程示例

哈尔滨工业大学工学硕士学位论文3由上述对话系统完整结构可以看出，NLU模块作为人机对话系统中的先导模块，其理解结果的质量直接限制后续模块可达到的最优效果，同时，NLU技术在自然语言处理任务中有着广泛的应用，对其进行研究具有重要的价值。因此，本课题主要的研究工作聚焦于对话语句理解部....

图2-1Word2Vec的两种网络结构[27]

畔⒎?裣掠稳挝瘛Ｒ?学习词向量需大量计算资源，有关研究一直没能突破这个技术难点，直到2013年，Mikolov等人[27]提出了Word2Vec模型，有效减小计算复杂度，以更短的训练时间获得更优质的词向量，这也是目前最常用的词嵌入模型之一。除Word2Vec模型外，FastTex....

图2-2FastText模型架构[29]

tTextFastText是facebook在2016年开源的一个轻量级的文本向量化与文本分类工具，提供高速且高性能的文本表征学习和文本分类的方法[29]。FastText结合了n-gram特征和词袋模型来表征语句，另外还引入了子词（subword）特征，并通过隐式的词内特征在不....

本文编号：3955500