在线教育客服数据挖掘与对话机器人设计
发布时间：2022-02-09 01:42
在线教育的客服业务越来越受到人们重视。客服业务,是在线教育提供商获取用户需求,了解用户体验情况的重要途径,也是在线教育提供商及时获取用户意见,对产品进行改进的重要参考来源。在工业界的实际应用中,客服业务存在两个问题:在线教育提供商积累了大量客服数据。但这些数据并没有得到充分挖掘和利用;目前客服业务普遍基于人工,由此带来客服质量不稳定、成本高昂等问题,急需自动化客服服务方式帮助。自然语言处理技术,特别是深度学习自然语言处理技术的进展,给上述问题的解决带来了希望。本文把自然语言处理技术应用到在线教育的客服业务中,以解决上述问题。具体工作如下:（1）对客服数据进行了数据挖掘,为对话机器人的设计进行了基础准备工作,包括:对于网络客服咨询数据,采用机器学习算法对客服文本进行聚类,发现选课报班咨询是最常用的客服问题之一。对于电话客服对话数据,开发程序,调用和评估了6种中文商用语音识别系统的语音转文本性能。发现各系统转写错误率普遍很高。最优的阿里语音识别接口错误率也达49.55%,其它系统错误率均超过60%;设计了基于机器学习、深度学习的客服对话分类系统,对客服会话文本进行分类,提取选课报班对话语料...
【文章来源】：北京交通大学北京市211工程院校教育部直属院校
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
图２－２?ＣＮＮ的稀疏连接??－
（１）稀疏交互。又称稀疏连接或稀疏权重，相比于传统神经网络中每一个输??出单元与每一个输入单元都产生交互，卷积神经网络使用卷积核（Ｋｅｒｎｅｌ）实现输入??对输出的影响，如图２－２、图２－３所示［３３］。对两张图来说，每张图从上往下看，可??以看出每个输出单元以及对其产生影响的输入单元个数的不同。图２－３说明，在传??统神经网络中，每一个输出单元受到所有输入单元控制；而在卷积神经网络中，??在图２－２卷积核大小为３的情况下，每一个输入单元仅会对三个输出单元产生影响。??这一特性使得模型的存储空间得到极大减少，同时也减少了计算量，提高统计效??率；??０?０?？?＃?Ｑ??０?０?０?０?０??图２－２?ＣＮＮ的稀疏连接??Ｆｉｇｕｒｅ?２－２?Ｔｈｅ?Ｓｐａｒｓｅ?Ｃｏｎｎｅｃｔｉｖｉｔｙ?ｏｆ?ＣＮＮ??１４??
０?（Ｏｕｔｐｕｔ?Ｆｅａｔｕｒｅ?Ｍａｐ）：输出单元。根据输入／选择与之相关的记忆单兀；??（Ｒｅｓｐｏｎｓｅ）：表示单元。将输出单元的输出转换为词语输出。??以问答系统为例，一个记忆网络的结构可以通过下图２－５表示［Ｍ１：??Ｆｅａｔｕｒｅ??Ｉｎｐｕｔ?Ｖｅｃｔｏｒ??Ｔｅｓｔ?—?＞?ｊ?＞?Ｇ??个??；４??Ｍ—ｙ?Ｓｌｏｔｓ???ｙ?Ｆｅａｔｕｒｅ????Ｑｕｅｓｔｉｏｉｉ?（?￣?Ｖｅｃｔｏｒ?：?｜??Ｔｅｘｔ?．…——＞?〇?—Ｒ?Ａｎｓｗｅｒ??ｊ?Ｔｅｘｔ??图２－５记忆网络结构??Ｆｉｇｕｒｅ?２－５?Ｔｈｅ?Ａｒｃｈｉｔｅｃｔｕｒｅ?ｏｆ?Ｍｅｍｏｒｙ?Ｎｅｔｗｏｒｋｓ??如果所有的构件都是神经网络的话，此时的记忆网络称为记忆神经网络??（ＭｅｍｏｒｙＮｅｕｒａｌＮｅｔｗｏｒｋｓ），简称ＭｅｍＮＮ。假设输入为一段对话，ＭｅｍＮＮ的计??算过程如下：??（１）
【参考文献】：
期刊论文
[1]利用拼音特征的深度学习文本分类模型[J]. 赵博轩,房宁,赵群飞,张朋柱. 高技术通讯. 2017(07)
[2]基于众包的聊天机器人的研究[J]. 郑晓霞,吕游,邓红,刘向春,张艳艳,李艳波,吴长伟,齐浩亮,马东宇. 信息技术. 2017(04)
[3]海量信息下的文本分类研究与优化[J]. 刘威,邵剑飞,张磊磊. 新技术新工艺. 2017(02)
[4]不同情境下中文文本分类模型的表现及选择[J]. 兰秋军,李卫康,刘文星. 湖南大学学报(自然科学版). 2016(04)
硕士论文
[1]一种网络聊天机器人的研究与实现[D]. 董永汉.浙江大学 2017
[2]基于循环神经网络模型的文本分类[D]. 龚千健.华中科技大学 2016
[3]基于ALICE的研究生招生咨询智能聊天机器人研究与实现[D]. 冯德虎.西南交通大学 2013
[4]中文文本分类关键技术研究与实现[D]. 何钟莉.西安电子科技大学 2009
本文编号：3616144
【文章来源】：北京交通大学北京市211工程院校教育部直属院校
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
图２－２?ＣＮＮ的稀疏连接??－
（１）稀疏交互。又称稀疏连接或稀疏权重，相比于传统神经网络中每一个输??出单元与每一个输入单元都产生交互，卷积神经网络使用卷积核（Ｋｅｒｎｅｌ）实现输入??对输出的影响，如图２－２、图２－３所示［３３］。对两张图来说，每张图从上往下看，可??以看出每个输出单元以及对其产生影响的输入单元个数的不同。图２－３说明，在传??统神经网络中，每一个输出单元受到所有输入单元控制；而在卷积神经网络中，??在图２－２卷积核大小为３的情况下，每一个输入单元仅会对三个输出单元产生影响。??这一特性使得模型的存储空间得到极大减少，同时也减少了计算量，提高统计效??率；??０?０?？?＃?Ｑ??０?０?０?０?０??图２－２?ＣＮＮ的稀疏连接??Ｆｉｇｕｒｅ?２－２?Ｔｈｅ?Ｓｐａｒｓｅ?Ｃｏｎｎｅｃｔｉｖｉｔｙ?ｏｆ?ＣＮＮ??１４??
０?（Ｏｕｔｐｕｔ?Ｆｅａｔｕｒｅ?Ｍａｐ）：输出单元。根据输入／选择与之相关的记忆单兀；??（Ｒｅｓｐｏｎｓｅ）：表示单元。将输出单元的输出转换为词语输出。??以问答系统为例，一个记忆网络的结构可以通过下图２－５表示［Ｍ１：??Ｆｅａｔｕｒｅ??Ｉｎｐｕｔ?Ｖｅｃｔｏｒ??Ｔｅｓｔ?—?＞?ｊ?＞?Ｇ??个??；４??Ｍ—ｙ?Ｓｌｏｔｓ???ｙ?Ｆｅａｔｕｒｅ????Ｑｕｅｓｔｉｏｉｉ?（?￣?Ｖｅｃｔｏｒ?：?｜??Ｔｅｘｔ?．…——＞?〇?—Ｒ?Ａｎｓｗｅｒ??ｊ?Ｔｅｘｔ??图２－５记忆网络结构??Ｆｉｇｕｒｅ?２－５?Ｔｈｅ?Ａｒｃｈｉｔｅｃｔｕｒｅ?ｏｆ?Ｍｅｍｏｒｙ?Ｎｅｔｗｏｒｋｓ??如果所有的构件都是神经网络的话，此时的记忆网络称为记忆神经网络??（ＭｅｍｏｒｙＮｅｕｒａｌＮｅｔｗｏｒｋｓ），简称ＭｅｍＮＮ。假设输入为一段对话，ＭｅｍＮＮ的计??算过程如下：??（１）
【参考文献】：
期刊论文
[1]利用拼音特征的深度学习文本分类模型[J]. 赵博轩,房宁,赵群飞,张朋柱. 高技术通讯. 2017(07)
[2]基于众包的聊天机器人的研究[J]. 郑晓霞,吕游,邓红,刘向春,张艳艳,李艳波,吴长伟,齐浩亮,马东宇. 信息技术. 2017(04)
[3]海量信息下的文本分类研究与优化[J]. 刘威,邵剑飞,张磊磊. 新技术新工艺. 2017(02)
[4]不同情境下中文文本分类模型的表现及选择[J]. 兰秋军,李卫康,刘文星. 湖南大学学报(自然科学版). 2016(04)
硕士论文
[1]一种网络聊天机器人的研究与实现[D]. 董永汉.浙江大学 2017
[2]基于循环神经网络模型的文本分类[D]. 龚千健.华中科技大学 2016
[3]基于ALICE的研究生招生咨询智能聊天机器人研究与实现[D]. 冯德虎.西南交通大学 2013
[4]中文文本分类关键技术研究与实现[D]. 何钟莉.西安电子科技大学 2009
本文编号：3616144
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3616144.html
