面向出行领域的任务型对话系统研究

发布时间：2020-03-27 02:39

【摘要】：任务型对话系统目前学术界和工业界的研究热点,近年来受到了国内外学者和工业界的广泛关注。任务型对话系统通过多轮对话帮助用户完成任务型的指令,比如:公交线路查询;餐厅预定;旅游景点推荐等。目前主流的研究方法包括将任务型对话系统分为自然语言理解、对话管理和自然语言生成三个模块进行研究;以及使用端到端的实现进行相关研究。本课题实现了面向出行领域的多轮任务型对话系统。对话系统的主要模块包括问句规范化模块、对话理解模块、对话管理模块和对话生成模块。本课题主要的研究内容包括:(1)本文建立了面向出行领域的意图识别语料集和槽位识别语料集,以便于对用户问句进行意图识别和槽位识别相关实验。(2)本文尝试在对话理解模块前引入了问句规范化模块,针对问句中可能出现的乱码、emoji表情、指示代词和句子子结构缺失的情况,结合上文槽位信息进行了删除、替代、填充等操作,经过规范化后的问句更可能被正确解析。(3)在意图识别问题上,本文主要研究了基于CNN模型和LSTM模型的分类方法。本文以传统的统计学习方法模型SVM和随机森林作为基准模型,并尝试使用DAN模型、CNN模型和LSTM模型等深度学习模型在意图识别的效果,实验结果表明基于CNN模型和LSTM模型的意图识别模型较传统算法取得了更好的效果,其中基于LSTM的模型取得了Marco-F1值为92.57%的理想效果。(4)在槽位识别问题上,本文尝试了条件随机场模型、BLSTM模型、BLSTM-CRF模型、融入意图特征的BLSTM-CRF模型以及引入意图特征词表的BLSTM-CRF模型,此外,本文尝试将意图识别问题和槽位识别问题联合起来,通过BLSTM-CRF模型进行联合学习。实验结果表明,引入意图特征词表的BLSTM-CRF模型效果最佳,F1值达到了89.47。(5)最后,本课题采用基于策略的方式完成了对话管理模块,并采用基于模板的方式完成了对话生成模块,完成了面向出行领域的任务型对话系统的构建。
【图文】：

特征模板,形式

为 true negative (TN)。于实际上为正例的样本，，模型将其分类到正例越多的正例成功召回；precision 表示对模型判正例的比重，precision 越高，说明模型对正例是两者的综合。F1-score 越高，说明分类模型设置述包括使用条件随机场、BLSTM 模型、BLSTM+CRF 联合学习模型在参数上的具体设置。板设置RF 工具为 CRF++0.58 版本。使用 CRF++进行命：确定模板文件；处理训练数据和测试数据；，是本文 CRF 的特征模板。

模型运行,测试集,运行结果,论文

Recall 100.00 100.00 98.38 98.44F1 94.12 91.30 99.17 98.79(2)论文中所有实验截图图 1 是 SVM 模型在 SMP 测试集运行结果的截图。具体结果见表 1。
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.1;TN912.34

【相似文献】