基于端到端与案例推理混合模式的对话系统
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的主要工作内容 | 第13-14页 |
| 1.4 章节安排 | 第14-15页 |
| 第2章 对话系统相关技术 | 第15-21页 |
| 2.1 面向具体任务的对话系统 | 第15-18页 |
| 2.1.1 流水线方法 | 第15-18页 |
| 2.1.2 端到端方法 | 第18页 |
| 2.2 非任务导向的对话系统 | 第18-20页 |
| 2.2.1 生成式模型 | 第18-20页 |
| 2.2.2 基于检索的模型 | 第20页 |
| 2.3 小结 | 第20-21页 |
| 第3章 生成式对话系统设计与分析 | 第21-38页 |
| 3.1 Seq2Seq生成式模型结构分析 | 第21-22页 |
| 3.2 Attention机制 | 第22-23页 |
| 3.3 存储单元设计 | 第23-27页 |
| 3.3.1 RNN网络 | 第23-24页 |
| 3.3.2 LSTM网络 | 第24-26页 |
| 3.3.3 GRU网络 | 第26-27页 |
| 3.4 模型求解算法 | 第27-33页 |
| 3.4.1 优化目标函数 | 第27-30页 |
| 3.4.2 超参数搜索 | 第30-31页 |
| 3.4.3 最大概率路径求解 | 第31-33页 |
| 3.5 测试与分析 | 第33-37页 |
| 3.5.1 对话训练语料集 | 第33-35页 |
| 3.5.2 不同解码模式对模型的影响 | 第35页 |
| 3.5.3 不同网络结构对模型的影响 | 第35-36页 |
| 3.5.4 Attention机制对模型的影响 | 第36-37页 |
| 3.6 小结 | 第37-38页 |
| 第4章 基于强化学习的对话生成 | 第38-49页 |
| 4.1 强化学习简介 | 第38-40页 |
| 4.2 生成式对话中的强化学习 | 第40-42页 |
| 4.2.1 Seq2Seq模型缺陷分析 | 第40页 |
| 4.2.2 引入强化学习 | 第40-42页 |
| 4.3 模型求解及优化 | 第42-43页 |
| 4.4 对话模拟 | 第43页 |
| 4.5 测试与分析 | 第43-48页 |
| 4.5.1 语料集预处理 | 第43-45页 |
| 4.5.2 模型评估 | 第45-46页 |
| 4.5.3 分词对模型生成回复的影响 | 第46页 |
| 4.5.4 强化学习对回复生成的影响 | 第46-48页 |
| 4.6 小结 | 第48-49页 |
| 第5章 智能机器人对话系统设计 | 第49-68页 |
| 5.1 基于CBR推理机的对话系统 | 第49-51页 |
| 5.1.1 分拣作业机器人系统中的人机交互 | 第49-51页 |
| 5.1.2 基于CBR的对话系统分析 | 第51页 |
| 5.2 改进的对话系统实现 | 第51-58页 |
| 5.2.1 语音交互层 | 第52-53页 |
| 5.2.2 用户意图分类 | 第53-54页 |
| 5.2.3 CBR模型 | 第54-55页 |
| 5.2.4 深度学习模型 | 第55-57页 |
| 5.2.5 可视化交互界面 | 第57-58页 |
| 5.3 对话系统测试 | 第58-66页 |
| 5.3.1 语料集获取及筛选 | 第58-61页 |
| 5.3.2 系统评估标准 | 第61-63页 |
| 5.3.3 测试案例 | 第63-64页 |
| 5.3.4 测试结果 | 第64-66页 |
| 5.4 小结 | 第66-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 全文总结 | 第68-69页 |
| 6.2 后续工作展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 附录1 攻读硕士学位期间发表的论文 | 第75-76页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第76页 |
