2022.9.16 第一次周报

**摘要:**基于数字人的发展现状以及现有设备条件,本周了解自然语言处理方向,重点学习了 《人机对话中自然语言任务命令的识别和计划_王杉 》这篇文献 说明了研究的背景,研究的内容以及结论和潜在的创新点

文章目录

  • 研究背景:
  • 解决方案:
  • 研究结论:
  • 实验内容
    • **数据来源**:
    • **测试结果**:
  • 作者展望:
  • 自我总结:

2022.9.16 第一次周报_第1张图片

研究背景:

通用的 NLP 引擎往往仅提供自然语言指令的语法细节, 不处理句子的归类和分级, 也不提供任务类型以及归纳隐藏在句子中的参数集的机制. 因为这需要对系统所运行的领域和对话系统所处领域的功能集有所了解. 其次, 在自然语言对话中, 单向互动会产生歧义, 系统不能很准确识别人类的意图. 因此, 需要基于双向对话进行设计, 在对话系统上有许多工作进行了尝试, 但在有效率和准确性方面仍存在不足。

解决方案:

为解决以上不足,研究提出了一个“对话任务代理”器模型, 以不受限制的自然语言接收用户发出的任务指令, 并将其转换为计划程序.

研究结论:

文章研究了人机对话系统的任务对话代理模型, 该代理根据自然语言指令执行任务计划, 并提出了一种方法来整合自然语言解析器和对话代理的自动计划器. 为了实现该方法, 作者开发了一种语言理解模型来识别预期的任务和相关的参数, 同时研究了一种对话策略, 对模棱两可的指示进行识别, 以完成与人机对话的互动. 测试和评估表明系统能基于知识库的上下文感知推理完成与生成计划的对话, 并且能以较少的询问获得有意义的问题.

实验内容

数据来源

中文公开对话语料库 chinese_chatbot_corpus,该语料库库对目前市面上已有的开源中文对话语料进行了整理, 包含 8 组公开闲聊与对话的常用语料

测试结果

系统在中文公开对话语料库上进行任务识别的预测率较高
2022.9.16 第一次周报_第2张图片

作者展望:

加入概率和分层计划, 还可以基于更丰富的知识库进行推理, 以期获得更好的对话效果和任务计划识别。

自我总结:

相较于其他的研究需要大量的精力来创建新的数据集和训练数来学习给定任务的原始动作序列的方法, 该文章提出了的-对话策略来理解新词汇和模棱两可的指令,以实现更好的指令解释和更短的交互,能更广泛的应用于新的人机对话领域和具有不同功能的对话系统中,基于该系统最后的测试结果,我认为可以支持该文章的结论,具有复现的价值,可以后续跟进并拓展作者的展望,并加强机器学习与神经网络的学习。

你可能感兴趣的:(语音识别,人工智能)