基于显式主题增强的单轮对话生成

对话生成受到学术界和工业界的广泛关注,然而现有的对话生成模型忽视了源句与目标句在主题上的相关性,使得生成的内容质量大打折扣。该文提出了一个基于显式主题增强的单轮对话生成模型,首先通过多种方式微调BERT模型得到高质量的词向量,然后利用LDA模型提取源句与目标句中的主题词作为额外信息输入,通过主题过滤和文本过滤两个模块,对输入信息进行筛选,从而显式地增强主题相关性,最后利用变分自动编码器独特的重构再采样特性生成语义一致、主题相关且内容丰富的回复。该文在NLPCC2017发布的ECG数据集上进行相关实验,实验结果表明,该文方法与主流的基于Seq2Seq模型的方法相比,在生成回复的流畅性和主题相关性等方面均有明显提升。

企业智能客服人机对话管理模型构建

针对传统客服智能化程度低,不能满足客户需求的问题,构建企业智能客户人机对话管理模型。该模型在RNN深度神经网络单轮对话模型的基础上融入顺序位置信息,增强注意力单轮对话模型结构,同时在Transformer架构中增加顺序信息模块。该模型测试结果表明,所构建的模型提升了企业智能客服人机对话管理水平与客服智能化水平,该模型对满足企业智能客服需求具有一定的应用价值。

生成式和检索式对话机器人的算法设计与实现综述

依据对话机器人回复方式的不同,可以将对话机器人分为基于生成式的对话机器人和基于检索式的对话机器人。本文主要针对上下文信息的使用,将这两类机器人继续分类为单轮检索、多轮检索、单轮生成和多轮生成对话机器人,对各对话机器人的构建进行了总结和阐述,列举了应用场景和算法实现挑战,并通过两个工业对话机器人构建中基于生成式和基于检索式的应用,分析了目前两类对话机器人落地应用的主要难点和解决方法。最后对未来的研究趋势和方向进行了展望。