基于LSTM的对话状态追踪模型研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 引言 | 第10-20页 |
| 1.1 研究背景与意义 | 第10-13页 |
| 1.2 状态追踪的研究现状 | 第13-16页 |
| 1.2.1 基于规则的状态追踪方法 | 第13-14页 |
| 1.2.2 基于生成模型的状态追踪方法 | 第14页 |
| 1.2.3 基于判别模型的状态追踪方法 | 第14-16页 |
| 1.3 研究内容及章节安排 | 第16-20页 |
| 1.3.1 本文的研究内容 | 第16-18页 |
| 1.3.2 本文的章节安排 | 第18-20页 |
| 第二章 相关理论基础 | 第20-28页 |
| 2.1 文本特征表示 | 第20-23页 |
| 2.1.1 词袋模型 | 第20-21页 |
| 2.1.2 卷积神经网络 | 第21-23页 |
| 2.1.3 循环神经网络 | 第23页 |
| 2.2 序列标注模型 | 第23-25页 |
| 2.3 注意力模型 | 第25-26页 |
| 2.4 文本相似度计算 | 第26-28页 |
| 2.4.1 编辑距离 | 第26-27页 |
| 2.4.2 余弦相似度 | 第27-28页 |
| 第三章 基于LSTM的级联神经网络模型构建 | 第28-39页 |
| 3.1 问题形式化与模型框架 | 第28-29页 |
| 3.2 层级模型 | 第29-35页 |
| 3.2.1 ASR/SLU特征表示 | 第30-32页 |
| 3.2.2 层级模型结构 | 第32-34页 |
| 3.2.3 基于N-best的层级模型 | 第34-35页 |
| 3.3 相似度计算与级联神经网络模型 | 第35-39页 |
| 3.3.1 相似度计算模型 | 第35-37页 |
| 3.3.2 级联神经网络模型结构 | 第37-39页 |
| 第四章 实验与分析 | 第39-51页 |
| 4.1 实验数据集 | 第39-42页 |
| 4.1.1 DSTC2 | 第39-41页 |
| 4.1.2 DSTC3 | 第41-42页 |
| 4.2 层级模型实验 | 第42-47页 |
| 4.2.1 实验设置 | 第42-43页 |
| 4.2.2 实验结果与分析 | 第43-45页 |
| 4.2.3 N-best规模对状态追踪的影响 | 第45-47页 |
| 4.3 相似度计算与级联神模型实验 | 第47-51页 |
| 4.3.1 实验设置 | 第47-48页 |
| 4.3.2 实验结果与分析 | 第48-51页 |
| 第五章 状态追踪结果展示平台设计与实现 | 第51-58页 |
| 5.1 系统结构 | 第51-52页 |
| 5.2 模块描述 | 第52-56页 |
| 5.3 功能演示 | 第56-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 本文工作总结 | 第58-59页 |
| 6.2 未来研究工作展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间发表的学术论文目录 | 第65页 |
