面向老年人的机器人对话生成技术研究与实现
这是一篇关于对话生成,老年人机器人,Bi-GRU,Luong Attention,知识图谱的论文, 主要内容为在如今人口老龄化快速发展的阶段,越来越多的“空巢老人”不得不面临着生活上的不便与精神上的孤独。贯彻落实人口老龄化国家战略,重视智慧养老产品的发展,为老人提供智能化服务,保障老年人的生活质量,同时也为老龄化的社会赋能,缓解年轻人及社会压力。本文针对老年人陪护类机器人的对话生成技术进行了研究,使其既能够支持与老人的日常开放式闲聊,又可以为老人提供身心健康方面的咨询服务,尽量做到切合老人的兴趣与需求,提供实质性的帮助。本文研究的对话生成技术包括对话聊天和身心健康咨询两大功能。关于对话聊天部分,为解决传统Seq2Seq模型在对话生成的过程中无法准确捕捉整个长文本序列的关键信息,提取语句的前后语义关联能力有限,容易生成通用回复等问题。本文采用生成式的对话模型来实现开放域的对话生成任务,提出了一种将Luong注意力机制、集束搜索算法、双向GRU与传统Seq2Seq模型相结合的对话模型。通过设计对比实验,利用评价指标以及模型实际生成的对话实例对各实验模型进行综合评估,最终实验结果表明本文提出的模型所生成的通用回复现象更少,回复内容与输入内容更匹配,对话效果优于传统的Seq2Seq模型。关于身心健康咨询部分,旨在方便老人了解常见疾病知识,同时也能更好地了解自身健康情况,设计了一种基于知识图谱的任务型问答系统,为老人提供生理与心理疾病方面的咨询服务。通过爬虫技术获得权威医疗网站上与老人相关的疾病数据并进行结构化处理,再利用存储于Neo4j图数据库中的生理疾病与心理疾病这两类知识图谱作为技术支撑,在第三章提出的模型基础上对用户输入的咨询问题进行意图分类,最终按照答案生成模板提供简洁且精准的回复,增强用户咨询疾病问题的体验。最后,使用Flask Web框架将整个模型部署到网页上进行实际应用,直观的前端界面呈现效果能够为用户提供更加真实、更加友好的交互体验。
基于人机对话技术的购物客服系统的设计与实现
这是一篇关于任务型对话系统,自然语言理解,对话管理,对话生成的论文, 主要内容为近年来,电商逐渐成为主流的购物方式,尤其是电商平台成为电子产品极其重要的销售渠道,因此电商平台针对电子产品售中后阶段的客服也急需完善。通过任务型对话系统,用户可以更加便捷的获得回复,节约时间;电商平台则可以在大大降低人力成本的同时使得交流更加便捷。在电子产品购物领域,传统或现有的客服系统存在一些不足之处,例如:因智能客服无法正确理解用户的语义所以给出不相关的回复,亦或是对话系统效率低下,需要通过很长的询问流程才能满足用户的需求等。为解决上述问题,给用户带来更好的购物服务体验,本课题进行了如下工作:(1)调研任务型对话系统的研究背景、意义和研究现状,对目前购物电商平台中针对电子产品类对话系统存在的问题以及痛点进行阐述。针对目前存在的问题进行总体业务需求分析,并将其模块化拆分处理,主要拆分为功能性模块和非功能性模块,非功能性模块主要是用户与系统的前端交互模块,功能性模块包含自然语言理解模块,对话管理模块和对话生成模块。(2)依据实际需求,考虑到本课题的数据主要为电子产品领域下的售中后阶段客服数据,因此针对电子产品领域的售中后阶段,对系统进行总体设计和详细设计,总体设计系统的整体框架内容以及各个子模块之间的联系,详细设计对每一个子模块都进行了详细的阐述和说明。另外,本文还通过流程图,UML类图等方式辅助介绍模块的详细信息。(3)对于系统的核心算法模块,自然语言理解模块,采用意图-槽位联合建模,在ERNIE-base的基础上构建ERNIE-BiLSTM-CRF模型,实验结果表明,在ERNIE模型的输出层拼接BiLSTM-CRF模型获得最佳效果,准确率达到91.34%。在给定数据集上,与当前自然语言理解模块所用的主流方法相比,提高了该模块的准确率,使得最终构建的客服系统回复更加精准。(4)对系统进行展示和测试,对系统中几个重要的子模块进行了功能测试,通过各部分的评价指标验证本课题所使用模型方法的准确性,同时验证了对话系统子功能模块的有效性。最后通过具体的测试用例展示用户与客服系统的交互结果,证明了该面向电子产品领域售中后阶段的购物客服系统的可用性和完备性。
基于背景知识感知的对话生成算法研究
这是一篇关于对话生成,对话上下文,背景知识,Seq2Seq模型的论文, 主要内容为受互联网技术的覆盖以及移动端设备激增的影响,人工智能逐渐渗透到人们商业生活的方方面面。对话系统作为人工智能领域下的重要产物,得益于数据的支持以及深度学习技术的进步,也逐渐向更人性化方面发展。对话系统从特定领域下的任务型逐渐发展到开放领域下的聊天型,从固定规则下的检索型发展为Seq2Seq框架下对话生成型。综合国内外研究现状,基于生成的对话系统能够脱离规则的束缚生成数据库中没有但合理的回答,且模型的迁移性好,灵活性高。但当前对话生成模型仍存在过度依赖特定数据集、回复单一、信息含量低、逻辑混乱等问题。针对当前问题症结所在及对话系统需求,本文从对话上下文以及知识图谱出发探究聊天型对话系统的回复生成,主要工作如下:(1)显式加权上下文。为充分利用对话数据中的历史信息进行对话生成,本文在上下文利用中引入点互信息算法,通过寻找对话上下文与当前对话之间的依赖性作为对话上下文的相关值,并进一步借助拼接与求和两种方式实现上下文融合,最终实现基于显式加权上下文编码的对话回复生成。该方法的关键在于通过句子间相关性计算,从而使模型关注与当前对话高度相关的上下文信息。(2)背景知识感知。为解决对话生成中知识含量低、回答单一的问题,本文引入外部知识图谱,一方面弥补对话系统在与人对话中背景知识匮乏的缺陷,另一方面实现上下文信息的充分利用。在具体实现上,首先根据当前对话初步检索相关知识,但检索知识中存在与当前对话无关的信息,这不可避免地影响回复生成的质量。因此本文基于与当前对话高度相关的上下文编码在已检索知识上进行选择,进一步将相关上下文以句子形式扩充到已选择知识结构中进行回复生成。本文首先通过点互信息算法完成对话上下文的显式加权,实现了对话生成中对话上下文语境的有效利用,并且通过具体的实验分析来看,本文所构造的显式加权上下文的编码模型能够捕捉到更丰富的对话信息,从而生成更多样化且流畅的回复。进一步,为弥补对话生成中背景知识不足的问题,本文从当前聊天式对话系统的需求出发,研究开放领域下对话上下文以及知识图谱结合下的对话生成算法,最终本文模型在中英文数据集上的评估均表现突出,优于最先进的方法CCM,并且通过案例分析来看,本文所构建的基于背景知识感知的对话生成模型为对话生成增加了知识性信息,从根本上解决了对话生成回复的单一性问题。总体来说,本文围绕对话上下文以及背景知识感知的研究推动了对话生成系统的人性化发展,也为后续人工智能产品的研究提供研究价值。
面向老年人的机器人对话生成技术研究与实现
这是一篇关于对话生成,老年人机器人,Bi-GRU,Luong Attention,知识图谱的论文, 主要内容为在如今人口老龄化快速发展的阶段,越来越多的“空巢老人”不得不面临着生活上的不便与精神上的孤独。贯彻落实人口老龄化国家战略,重视智慧养老产品的发展,为老人提供智能化服务,保障老年人的生活质量,同时也为老龄化的社会赋能,缓解年轻人及社会压力。本文针对老年人陪护类机器人的对话生成技术进行了研究,使其既能够支持与老人的日常开放式闲聊,又可以为老人提供身心健康方面的咨询服务,尽量做到切合老人的兴趣与需求,提供实质性的帮助。本文研究的对话生成技术包括对话聊天和身心健康咨询两大功能。关于对话聊天部分,为解决传统Seq2Seq模型在对话生成的过程中无法准确捕捉整个长文本序列的关键信息,提取语句的前后语义关联能力有限,容易生成通用回复等问题。本文采用生成式的对话模型来实现开放域的对话生成任务,提出了一种将Luong注意力机制、集束搜索算法、双向GRU与传统Seq2Seq模型相结合的对话模型。通过设计对比实验,利用评价指标以及模型实际生成的对话实例对各实验模型进行综合评估,最终实验结果表明本文提出的模型所生成的通用回复现象更少,回复内容与输入内容更匹配,对话效果优于传统的Seq2Seq模型。关于身心健康咨询部分,旨在方便老人了解常见疾病知识,同时也能更好地了解自身健康情况,设计了一种基于知识图谱的任务型问答系统,为老人提供生理与心理疾病方面的咨询服务。通过爬虫技术获得权威医疗网站上与老人相关的疾病数据并进行结构化处理,再利用存储于Neo4j图数据库中的生理疾病与心理疾病这两类知识图谱作为技术支撑,在第三章提出的模型基础上对用户输入的咨询问题进行意图分类,最终按照答案生成模板提供简洁且精准的回复,增强用户咨询疾病问题的体验。最后,使用Flask Web框架将整个模型部署到网页上进行实际应用,直观的前端界面呈现效果能够为用户提供更加真实、更加友好的交互体验。
基于知识背景的影院机器人对话系统设计与实现
这是一篇关于对话生成,检错复写,主动式人机对话,预训练模型,影院机器人的论文, 主要内容为近年来,随着机器人技术的发展和成熟,越来越多服务机器人已经应用到我们生活中。影院机器人作为人工智能结合影院场景的创新应用,能够提升影院的智慧化水平和服务质量。论文以影院机器人对话系统为切入点,聚焦人工智能技术对传统影院的改造升级。现有的机器人对话系统,采取规则式或检索式实现,根据用户的问题在数据库中匹配用户可能感兴趣的回复然后发送给用户。这种被动对话的设计,无法适用于影院宣传推广、影片选看等主动对话场景。针对影院场景下的对话推荐任务,论文设计并实现了一种基于主动式对话的影院机器人对话系统。主动式对话核心问题是如何根据知识信息生成回复以及如何将对话主题引导到目标话题。论文设计了生成式模型进行对话生成。采用知识选择模块动态分配知识信息和对话历史的权重,使生成式模型能够产生结合影片信息的回复。论文结合主动者角色的特点来设计模型输入端,使模型具备主动引导对话的能力。针对机器人生成回复中出现的信息错误问题,论文设计了包含检测模块和复写模块的对话复写模型来提升回复的正确性。通过融合软掩码机制的检测模块来定位检测错误。通过融合指针网络的复写模块从输入端复制知识和对话历史进行纠错。通过主动对话任务数据集上的测试,验证了论文模型的有效性。根据影院对话场景的需求,利用上述模型,论文搭建了影院机器人的软硬件验证平台。通过在软硬件平台进行测试,证明论文设计对话系统具备主动引导话题、高信息量、低错误率等功能。论文实现了一种能够主动发起对话,根据知识背景将对话引导到推荐目标的影院机器人对话系统。该对话系统具备一定的实用价值和研究价值,为影院机器人推广应用奠定了良好基础。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码码头 ，原文地址：https://m.bishedaima.com/lunwen/48861.html
