致谢 | 第5-6页 |
摘要 | 第6-7页 |
ABSTRACT | 第7-8页 |
缩略词表 | 第12-13页 |
1 引言 | 第13-16页 |
1.1 研究背景 | 第13页 |
1.2 研究内容 | 第13-14页 |
1.3 研究意义 | 第14-15页 |
1.4 本文组织结构 | 第15-16页 |
2 论文相关知识介绍 | 第16-35页 |
2.1 国内外研究现状 | 第16-21页 |
2.1.1 文本分类研究现状 | 第16-17页 |
2.1.2 对话机器人研究现状 | 第17-21页 |
2.2 机器学习算法 | 第21-25页 |
2.2.1 聚类算法 | 第21-22页 |
2.2.2 TFIDF文本特征表示 | 第22页 |
2.2.3 分类算法 | 第22-23页 |
2.2.4 文本分类基本流程 | 第23-24页 |
2.2.5 分类评估方法 | 第24-25页 |
2.3 深度学习算法 | 第25-33页 |
2.3.1 卷积神经网络 | 第26-27页 |
2.3.2 循环神经网络 | 第27-28页 |
2.3.3 深度学习的记忆网络 | 第28-30页 |
2.3.4 端到端记忆网络 | 第30-33页 |
2.4 工具 | 第33-35页 |
2.4.1 Scikit-Learn | 第33页 |
2.4.2 Keras | 第33页 |
2.4.3 Django网络应用开发框架 | 第33-35页 |
3 在线教育客服对话数据挖掘 | 第35-56页 |
3.1 在线教育客服数据集介绍 | 第35-37页 |
3.1.1 数据来源 | 第35-36页 |
3.1.2 数据情况 | 第36-37页 |
3.2 电话客服语音的自动识别 | 第37-41页 |
3.2.1 在线教育客服语音转写的必要性 | 第37页 |
3.2.2 实验设计与实现 | 第37-39页 |
3.2.3 识别结果示例 | 第39-40页 |
3.2.4 商用系统性能评估结果 | 第40-41页 |
3.3 网上在线客服的背景知识 | 第41-42页 |
3.4 网上在线客服对话聚类 | 第42-46页 |
3.4.1 聚类方案 | 第42-43页 |
3.4.2 程序实现 | 第43-45页 |
3.4.3 聚类结果 | 第45-46页 |
3.5 电话客服文本分类 | 第46-55页 |
3.5.1 目标和数据 | 第46-47页 |
3.5.2 基于机器学习的对话分类器 | 第47-50页 |
3.5.3 基于深度学习的对话分类器 | 第50-54页 |
3.5.4 分类器性能比较 | 第54-55页 |
3.6 本章小结 | 第55-56页 |
4 选课对话机器人的设计与实现 | 第56-77页 |
4.1 需求分析 | 第56-57页 |
4.2 选课对话机器人的整体设计 | 第57页 |
4.3 选课对话机器人的设计原理 | 第57-59页 |
4.4 对话语料设计和实现 | 第59-67页 |
4.4.1 任务一的语料生成 | 第60-62页 |
4.4.2 任务二的语料生成 | 第62-63页 |
4.4.3 任务三的语料生成 | 第63-65页 |
4.4.4 任务四的语料生成 | 第65-66页 |
4.4.5 任务五的语料生成 | 第66-67页 |
4.5 各任务对话模型设计与性能评估 | 第67-76页 |
4.5.1 任务一的对话模型设计及性能 | 第67-69页 |
4.5.2 任务二的对话模型设计及性能 | 第69-71页 |
4.5.3 任务三的对话模型设计及性能 | 第71-73页 |
4.5.4 任务四的对话模型设计及性能 | 第73页 |
4.5.5 任务五的对话模型设计及性能 | 第73-76页 |
4.6 本章小结 | 第76-77页 |
5 原型系统的设计与实现 | 第77-81页 |
5.1 实验平台与设备 | 第77页 |
5.2 对话应用的搭建 | 第77-79页 |
5.3 与深度学习客服对话模型的对接 | 第79-80页 |
5.4 本章小结 | 第80-81页 |
6 结论 | 第81-83页 |
6.1 工作总结 | 第81-82页 |
6.1.1 在线教育客服数据的数据挖掘 | 第81页 |
6.1.2 基于深度学习的选课对话机器人对话模型的设计与实现 | 第81-82页 |
6.2 未来工作展望 | 第82-83页 |
参考文献 | 第83-86页 |
作者简历及攻读硕士学位期间取得的研究成果 | 第86-88页 |
学位论文数据集 | 第88页 |