基于知识图谱的人机交互话题推荐方法研究
发布时间：2021-11-12 19:41
随着智能对话系统的不断发展,人机交互的方式发生了巨大的变化。原来的基于从命令到反馈的人机交互方式逐渐被打破,人机交互正朝着更加便捷、自然、智能的方向发展。机器正在由被动接受用户的信息向主动理解用户的意图方向发展。随着用户数据的不断积累,大数据和人工智能技术使得在一些场景下机器人比用户更懂“自己”,但是目前的智能语音对话系统,话题展开一直由用户驱动,这样很容易造成用户兴趣点缺失、兴趣度下降、对话终止等问题。因此,本文针对智能语音系统存在的问题,从如何在对话过程中选择合适的话题和如何引导话题两个方面展开研究,主要内容如下:针对人机对话话题推荐中存在的用户对话内容简短、话题的时效性强等问题。本文提出一种基于知识图谱的话题推荐算法。该算法首先根据相似用户具有相同爱好的特性,利用相似用户对话题的喜好为用户选择候选话题,将人机对话话题预测转变为用户对候选话题的点击概率问题。其次,利用知识图谱增强用户表达内容的特征表示。最后,利用注意力神经网络模型对候选话题进行预测。实验表明该算法在人机对话话题推荐上的准确率以及精准率方面明显高于其他模型。针对如何在人机对话过程中为用户进行话题引导的问题,本文提出了...
【文章来源】：重庆邮电大学重庆市
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
(a)不同数据规模下的算法准确率对比图
重庆邮电大学硕士学位论文第3章基于知识图谱的话题推荐算法研究32数据样本的变化而变化。其他的算法随着样本数据的不断增大，在性能上逐渐的提升，这是因为在人机对话过程当中，随着数据量的不断增多，用户对话题的意向更加明显，所以在准确率及精确率方面都有逐步的提升。由图3.5所示，针对小数据样本集，本章提出的基于知识图谱的人机对话话题推荐算法在准确率和精确率方面都具有明显的优势，这是因为在小样本集上，用户的对话数据较为稀疏，用户的表达意向不明确，数据特征不明显。如果直接进行学习将不会对用户特征进行很好的学习。本章一方面保留原有的对话内容的语义结构，另外一方面采用知识图谱对对话中提到的实体内容进行关联扩展，这样可以极大的增强对话内容的特征，并且本章采用注意力模型区分不同时刻对话对用户兴趣点的影响力，所以本章提出的基于知识的推荐算法小的样本集上依旧能有很好的表现能力。图3.5(a)不同数据规模下的算法准确率对比图图3.5(b)不同数据规模下的算法精确率对比图
重庆邮电大学硕士学位论文第3章基于知识图谱的话题推荐算法研究33图3.5(c)不同数据规模下的算法F1值对比图3.7本章小结针对人机交互话题推荐中用户对话文本简洁、用户特征不明显、兴趣随时间迁移等问题，本章提出了基于知识图谱的人机交互话题推荐方法，将话题推荐转变为了候选话题点击预测问题，首先根据相似用户筛选出候选话题，其次提取用户对话内容中的实体，使用知识感知的深度学习模型融合语义层和知识层的信息表示，最后利用注意力模型对候选话题选择的概率进行了预测。
【参考文献】：
期刊论文
[1]基于小样本机器学习的跨任务对话系统[J]. 刘继明,孟亚磊,万晓榆. 重庆邮电大学学报(自然科学版). 2019(03)
[2]基于语义分析的情感计算技术研究进展[J]. 饶元,吴连伟,王一鸣,冯聪. 软件学报. 2018(08)
[3]Empathizing with Emotional Robot Based on Cognition Reappraisal[J]. Xin Liu,Lun Xie,Zhiliang Wang. 中国通信. 2017(09)
[4]Cognitive Emotion Model for Eldercare Robot in Smart Home[J]. HAN Jing,XIE Lun,LI Dan,HE Zhijie,WANG Zhiliang. 中国通信. 2015(04)
[5]基于Gross认知重评的机器人认知情感交互模型[J]. 韩晶,解仑,刘欣,徐上谋,王志良. 东南大学学报(自然科学版). 2015(02)
[6]语音情感识别研究进展综述[J]. 韩文静,李海峰,阮华斌,马琳. 软件学报. 2014(01)
[7]基于个性的机器人情感生成和决策模型构建[J]. 牛国臣,胡丹丹,高庆吉. 机器人. 2011(06)
博士论文
[1]基于Valence-Arousal空间的中文文本情感分析方法研究[D]. 王津.云南大学 2016
硕士论文
[1]基于深度学习的情感智能回复生成的设计与研究[D]. 王一径.哈尔滨工业大学 2018
[2]面向受限域的通用自动问答系统的设计与实现[D]. 郭俊.北京邮电大学 2018
[3]基于强化学习的开放领域聊天机器人对话生成算法[D]. 曹东岩.哈尔滨工业大学 2017
本文编号：3491539
【文章来源】：重庆邮电大学重庆市
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
(a)不同数据规模下的算法准确率对比图
重庆邮电大学硕士学位论文第3章基于知识图谱的话题推荐算法研究32数据样本的变化而变化。其他的算法随着样本数据的不断增大，在性能上逐渐的提升，这是因为在人机对话过程当中，随着数据量的不断增多，用户对话题的意向更加明显，所以在准确率及精确率方面都有逐步的提升。由图3.5所示，针对小数据样本集，本章提出的基于知识图谱的人机对话话题推荐算法在准确率和精确率方面都具有明显的优势，这是因为在小样本集上，用户的对话数据较为稀疏，用户的表达意向不明确，数据特征不明显。如果直接进行学习将不会对用户特征进行很好的学习。本章一方面保留原有的对话内容的语义结构，另外一方面采用知识图谱对对话中提到的实体内容进行关联扩展，这样可以极大的增强对话内容的特征，并且本章采用注意力模型区分不同时刻对话对用户兴趣点的影响力，所以本章提出的基于知识的推荐算法小的样本集上依旧能有很好的表现能力。图3.5(a)不同数据规模下的算法准确率对比图图3.5(b)不同数据规模下的算法精确率对比图
重庆邮电大学硕士学位论文第3章基于知识图谱的话题推荐算法研究33图3.5(c)不同数据规模下的算法F1值对比图3.7本章小结针对人机交互话题推荐中用户对话文本简洁、用户特征不明显、兴趣随时间迁移等问题，本章提出了基于知识图谱的人机交互话题推荐方法，将话题推荐转变为了候选话题点击预测问题，首先根据相似用户筛选出候选话题，其次提取用户对话内容中的实体，使用知识感知的深度学习模型融合语义层和知识层的信息表示，最后利用注意力模型对候选话题选择的概率进行了预测。
【参考文献】：
期刊论文
[1]基于小样本机器学习的跨任务对话系统[J]. 刘继明,孟亚磊,万晓榆. 重庆邮电大学学报(自然科学版). 2019(03)
[2]基于语义分析的情感计算技术研究进展[J]. 饶元,吴连伟,王一鸣,冯聪. 软件学报. 2018(08)
[3]Empathizing with Emotional Robot Based on Cognition Reappraisal[J]. Xin Liu,Lun Xie,Zhiliang Wang. 中国通信. 2017(09)
[4]Cognitive Emotion Model for Eldercare Robot in Smart Home[J]. HAN Jing,XIE Lun,LI Dan,HE Zhijie,WANG Zhiliang. 中国通信. 2015(04)
[5]基于Gross认知重评的机器人认知情感交互模型[J]. 韩晶,解仑,刘欣,徐上谋,王志良. 东南大学学报(自然科学版). 2015(02)
[6]语音情感识别研究进展综述[J]. 韩文静,李海峰,阮华斌,马琳. 软件学报. 2014(01)
[7]基于个性的机器人情感生成和决策模型构建[J]. 牛国臣,胡丹丹,高庆吉. 机器人. 2011(06)
博士论文
[1]基于Valence-Arousal空间的中文文本情感分析方法研究[D]. 王津.云南大学 2016
硕士论文
[1]基于深度学习的情感智能回复生成的设计与研究[D]. 王一径.哈尔滨工业大学 2018
[2]面向受限域的通用自动问答系统的设计与实现[D]. 郭俊.北京邮电大学 2018
[3]基于强化学习的开放领域聊天机器人对话生成算法[D]. 曹东岩.哈尔滨工业大学 2017
本文编号：3491539
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3491539.html
最近更新
教材专著
