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。

基于多头注意力和BiLSTM改进DAM模型的中文问答匹配方法

针对目前检索式多轮对话深度注意力机制模型(Deep Attention Matching Network,DAM)候选回复细节不匹配和语义混淆的问题,该文提出基于多头注意力和双向长短时记忆网络(BiLSTM)改进DAM模型的中文问答匹配方法,采用多头注意力机制,使模型有能力建模较长的多轮对话,更好地处理目标回复与上下文的匹配关系。此外,该文在特征融合过程中采用BiLSTM模型,通过捕获多轮对话中的序列依赖关系,进一步提升选择目标候选回复的准确率。该文在豆瓣和电商两个开放数据集上进行实验,实验性能均优于DAM基线模型,R_(10)@1指标在含有词向量增强的情况下提升了1.5%。

基于语义匹配的外语翻译机器人自动问答检索研究

为提高外语翻译机器人自动问答的准确率,提出一种基于TF-IDF+语义匹配+深度学习的问答匹配方法。为提高问题检索的准确率,采用TF-IDF算法关键词匹配,以筛选出问题回复集;基于seq2seq模型进行语义相似度计算,以产生问题回复集,引入Dual-Encoder评分的方式筛选出最佳回复答案;构建检索回复的外语翻译机器人系统。通过搭建TensorFlow的测试环境进行测试结果表明,相较于其他匹配模型,构建的检索模型的匹配准确率更高,且系统性能更好,可实现外语翻译机器人的精准检索对话。

聊天机器人技术浅析

对话系统已经成为人工智能时代重要的人机交互接口。聊天机器人技术在对话系统技术发展中扮演着至关重要的角色,代表了对话系统技术的前沿发展。从聊天机器人技术的兴起入手,深入分析聊天机器人技术的发展趋势,介绍国内外学术界和产业界的聊天机器人技术研究进展,重点介绍聊天机器人的3项关键技术,即基于检索的多轮对话技术、基于生成的对话技术和基于检索与生成深度融合的对话技术。通过分析聊天机器人技术中存在的问题,展望未来的发展方向。