融合实体信息和时序特征的意图识别模型

人机对话意图识别旨在通过人机之间简短的对话识别出用户意图,通过对话文本的分类进而实现意图的识别。针对人机对话中因篇幅短导致语境匮乏和因对话随意性导致意图模糊的问题,提出了一种融合实体信息和时序特征的人机对话意图识别模型。在文本表示阶段,通过捕捉对话中实体信息来增强文本语义表达,并利用双向注意力机制动态生成符合语境的文本表示;并利用双向GRU提取对话上下文的时序特征来获取上下文意图之间的关系;通过级联多层gMLP,利用其内部空间控制单元自适应融合实体信息和时序特征,从而提升意图识别的准确率。为验证所提模型在多种任务上的效果,在不同意图识别任务数据集CCKS2018和SMP2018上进行实验,分别取得了90.6%和93.7%的准确率,对比CLSTM、DBN、Attention-RNN等具有代表性的模型,均有3%以上性能的提升。

多尺度点云补全网络

针对最远点采样(farthest point sampling,FPS)算法时间复杂度高、无法保留原始模型较多特征信息等问题,提出了一种自适应点云采样(adaptive point cloud sampling,APS)算法。此外,目前三维点云补全算法大多难以保持物体的个体特征。为此,借助于编解码器结构,以多尺度缺损点云为输入,提出了一种新的多尺度点云补全网络(multi-scale point cloud completion network,MPN)。APS首先基于快速点特征直方图(fast point feature histogram,FPFH)计算得到每个点的特征值,再利用幂律函数计算每个点的概率值及累计概率值,最后在累计概率值上进行均匀采样。MPN采用APS对输入的缺损点云进行2次采样,再对3个不同尺度的缺损点云提取特征,最后以金字塔点云生成器(pyramid point cloud generator,PPG)生成缺失部位的点云数据,并在生成器后添加鉴别器以优化网络。实验结果表明,APS较FPS算法能保留更多的特征信息,MPN相比于PF-Net在平均倒角距离指标上提升了12.47%。