知识驱动的对话生成模型研究综述

知识驱动的对话生成模型旨在利用不同形式的知识来强化对话生成模型,使得对话生成模型不仅能从对话数据中学习语义交互,而且还能深入理解用户输入、背景知识和对话上下文,生成更合理、更具多样性、更富含信息量和拟人的回复,进而推动对话系统的发展。目前相关工作仍处于初期探索阶段,并且很少有对现有成果的全面梳理和系统总结。对知识驱动的对话生成模型研究展开综述,首先,针对现有的研究成果,梳理并介绍了当前知识驱动的对话生成任务和主要遇到的问题,并且给出详细的任务定义和问题定义;其次,整理并介绍了知识驱动的对话生成模型建模所需的数据集;然后,对目前知识驱动的对话生成研究过程中知识获取、知识表示、知识选择和知识融入相关研究中每个模型的改进、研究现状、模型涉及的评价指标和模型的性能进行重点介绍;最后,对知识驱动的对话生成模型研究未来的发展方向进行展望。

基于深度学习的对话情绪生成研究综述

情绪生成是人工情感计算研究中的子任务,在对话系统中情绪生成任务旨在生成待回复话语中的情绪类别。对话情绪生成可以推动对话情绪理解和对话表达研究,同时在智能闲聊机器人、情绪安慰、推荐系统和人机情感交互等诸多智能化领域具有重要的理论意义和实际应用价值。得益于深度神经网络在自然语言处理领域的优异表现,基于深度学习的对话系统情绪生成受到越来越多研究人员的关注。总结目前基于深度学习的对话情绪生成相关工作,现阶段利用深度学习的对话系统情绪生成相关研究主要包含三方面内容:情绪感知、情绪预测和情绪决策。简要介绍了一些常用的情绪对话数据集,最后对该任务当前问题进行了归纳概况并展望未来发展趋势。

情感强度回复生成模型

情感对话生成模型在回复生成中未考虑情感强度因素,导致生成回复的情感表达存在波动不恰当性,降低用户交互体验。受情绪心理学中情感强度工作的启发,提出一种情感强度回复生成模型(EIRGM)。模型包括情感强度预测单元、语境编码模块和情感强度回复生成单元,其中情感强度预测单元为回复语句提供情感类别和情感强度,语境编码模块单元为回复语句提供内容基础,情感强度回复生成单元构成用于回复语句中情感和强度的表达。实验以NLPCC2018开放域对话数据集为基础,开展了情感恰当性、情感强度恰当性、内容关联性以及对话持续性等实验。实验结果表明,EIRGM在情感恰当性方面与最优模型相差不大,在情感强度恰当性和对话持续性方面与最优模型相比分别提升4.1个百分点和0.8个百分点,表明了EIRGM模型在提升情感强度表达恰当性同时也提高了用户交互意愿。

基于YOLOv5的高速公路小目标车辆逆行检测模型

针对高速公路视频数据中道路场景复杂、远端车辆目标小等现象,导致车辆逆行检测模型准确率低的问题,提出了一种基于YOLOv5和DeepSORT的CECAY5D模型框架。框架中设计了一种通道-空间注意力单元CECAC3,用于增强模型对小目标聚集区域的关注程度,提升小目标车辆检测的精度。CECAC3注意力单元是在有效通道注意力模块基础上增加了C3残差模块和空间注意力模块。在高速公路车辆逆行视频数据集下进行对比试验,实验结果表明,逆行检测模型CECAY5D在高速公路监控视频下的检测率和漏检率分别为90%和10%,相比于YOLOv5+DeepSORT模型,检测率提高了25%,漏检率降低了25%,因此该模型具有较高的检测率和较低的漏检率。