论文部分内容阅读
随着智能手机的快速发展,移动终端的用户希望拥有更便捷的信息获取方式和更人性化的人机交互体验。在此背景下,聊天机器人系统和问答系统的研究进入了新的发展阶段。本文的核心是:在互联网中的非结构化知识和半结构化知识快速增加的情况下,建立一个能够快速吸收和利用知识的对话理解模型以达到并行使用基于规则和基于统计的方法对用户输入的问题进行处理,并且开发机器排序学习方法选出最优答案,从而开发一个高准确率和高召回率的用户满意的聊天机器人系统。本文首先介绍了聊天机器人系统的对话理解模型研究的意义和价值,并对当前国内外研究现状进行了分析,指出了其中存在的问题。另外,还介绍了研究中应用到的相关理论知识,包括统计自然语言处理,信息抽取和排序学习。其次,对聊天机器人系统的架构进行了定义,并对相关部件做出了概述;在此基础上探索了对话理解的处理流程,并对语义表示的典型过程进行了剖析,包括:问题分类、句法分析、命名实体识别、关键词抽取、关键词扩展等。综合上述的分析结论,本文提出了一种新颖的对话理解模型,它的特点是把知识库的管理、应用和对话理解合并到一个大模型中来,以适应“机器不是尝试去理解人类语言,而是去努力找出最符合人类语言习惯的答案”的要求。我们提出的对话理解模型更可扩展,答案计算更准确。为了使我们提出的对话理解模型更加完整,本文对候选答案排序方法进行了研究。我们研究了如何把Listwise机器排序学习方法应用到聊天机器人系统的答案排序中来,并给出了完整的实验方案。最后,本文构建了一个聊天机器人原型系统,系统从功能上划分,主要包含6个模块,分别是聊天会话部件,策略中心部件,AIML部件,正则匹配器部件,FAQ部件,自然语言处理部件。我们为此原型系统开发了一个移动客户端向用户开放我们所开发的聊天机器人服务,并对系统进行验证,结果表明我们开发的对话理解模型具有可行性和有效性。