多层次语义模型在多轮对话系统中的研究与实现
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第13-25页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 研究意义与目的 | 第14-16页 |
| 1.3 国内外研究现状 | 第16-22页 |
| 1.3.1 基于符号规则和模板的对话系统 | 第16-17页 |
| 1.3.2 基于数据驱动的机器学习 | 第17-21页 |
| 1.3.3 对话系统面临的问题 | 第21-22页 |
| 1.4 本文工作 | 第22页 |
| 1.5 论文组织结构 | 第22-25页 |
| 第二章 相关技术介绍 | 第25-37页 |
| 2.1 引言 | 第25页 |
| 2.2 词向量技术 | 第25-30页 |
| 2.3 Tensorflow计算图框架 | 第30-34页 |
| 2.3.1 计算图架构 | 第31-32页 |
| 2.3.2 运行模型 | 第32-33页 |
| 2.3.3 编程接口 | 第33-34页 |
| 2.4 对话系统评估 | 第34-36页 |
| 2.4.1 BLEU指标 | 第34页 |
| 2.4.2 METEOR指标 | 第34-35页 |
| 2.4.3 召回值(Recall) | 第35页 |
| 2.4.4 平均倒数排名(MRR) | 第35-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第三章 词序列模型设计 | 第37-44页 |
| 3.1 引言 | 第37页 |
| 3.2 循环神经网络 | 第37-40页 |
| 3.2.1 RNN网络 | 第37-38页 |
| 3.2.2 LSTM网络 | 第38-39页 |
| 3.2.3 双向LSTM网络 | 第39-40页 |
| 3.3 基于LSTM网络构建词序列模型 | 第40-43页 |
| 3.3.1 上下文与回复编码 | 第40-42页 |
| 3.3.2 评分系统 | 第42页 |
| 3.3.3 排序与回复选取 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 语句序列模型设计 | 第44-50页 |
| 4.1 引言 | 第44页 |
| 4.2 卷积网络 | 第44-47页 |
| 4.2.1 CNN网络 | 第44-45页 |
| 4.2.2 CCN网络 | 第45页 |
| 4.2.3 注意力机制 | 第45-47页 |
| 4.3 基于交叉卷积网络的语句序列模型 | 第47-49页 |
| 4.3.1 模型介绍 | 第47-48页 |
| 4.3.2 排序与回复选取 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 关键词模型设计 | 第50-53页 |
| 5.1 引言 | 第50页 |
| 5.2 词频-逆文档频方法 | 第50-51页 |
| 5.2.1 介绍 | 第50页 |
| 5.2.2 平滑操作 | 第50-51页 |
| 5.3 基于TF-IDF的关键词模型 | 第51页 |
| 5.3.1 模型介绍 | 第51页 |
| 5.3.2 排序与回复选取 | 第51页 |
| 5.4 本章小结 | 第51-53页 |
| 第六章 多层次语义模型实验设计 | 第53-70页 |
| 6.1 引言 | 第53页 |
| 6.2 多层次语义模型设计 | 第53-54页 |
| 6.3 数据集与预处理 | 第54-58页 |
| 6.3.1 DailyDialog语料库 | 第54-56页 |
| 6.3.2 Cornell Movie语料库 | 第56-57页 |
| 6.3.3 基准方法 | 第57-58页 |
| 6.4 参数设置 | 第58-59页 |
| 6.5 评价标准 | 第59页 |
| 6.6 实验结果 | 第59-61页 |
| 6.7 超参数选择分析 | 第61-64页 |
| 6.7.1 词序列模型 | 第61-63页 |
| 6.7.2 语句序列模型 | 第63-64页 |
| 6.8 可视化分析 | 第64-67页 |
| 6.8.1 语句序列的注意力分布 | 第64-66页 |
| 6.8.2 语句序列的点乘分布 | 第66-67页 |
| 6.9 错误分析 | 第67-69页 |
| 6.10 本章小结 | 第69-70页 |
| 第七章 结论与展望 | 第70-72页 |
| 7.1 结论 | 第70页 |
| 7.2 对话机器人的未来展望 | 第70-72页 |
| 参考文献 | 第72-77页 |
| 攻读学位期间取得的研究成果 | 第77-78页 |
| 致谢 | 第78-79页 |
| 附件 | 第79页 |
