CN114547261A - 针对请求和情感标签生成的带有指定情感的机器回复方法 - Google Patents

针对请求和情感标签生成的带有指定情感的机器回复方法 Download PDF

Info

Publication number
CN114547261A
CN114547261A CN202210034903.6A CN202210034903A CN114547261A CN 114547261 A CN114547261 A CN 114547261A CN 202210034903 A CN202210034903 A CN 202210034903A CN 114547261 A CN114547261 A CN 114547261A
Authority
CN
China
Prior art keywords
emotion
training
output
reply
encoder
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210034903.6A
Other languages
English (en)
Inventor
宋丹丹
侯思琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202210034903.6A priority Critical patent/CN114547261A/zh
Publication of CN114547261A publication Critical patent/CN114547261A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/242—Dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Human Computer Interaction (AREA)
  • Probability & Statistics with Applications (AREA)
  • Machine Translation (AREA)

Abstract

本发明涉及针对请求和情感标签生成的带有指定情感的机器回复方法，属于自然语言处理技术领域。本发明利用深度学习框架，引入预训练情感打分机制，能够控制回复生成过程中的情感表达，考虑到了词汇以及词与词之间相互作用；引入细粒度情感词典，综合考虑了情感词汇在不同情感类别中出现的概率，同时在训练过程中微调，能够丰富输出回复的情感表达；利用条件变分自编码器对参考回复建模，使得解码器能够学习到输入和输出的对应关系，优化回复与输入请求之间的语义关联。本发明在多个情感对话生成数据集上均取得了良好的性能提升，同时本发明提出的预训练情感打分器具有很强的灵活性和适配性。

Description

针对请求和情感标签生成的带有指定情感的机器回复方法
技术领域
本发明涉及一种针对请求和情感标签生成的带有指定情感的机器回复方法，属于自然语言处理技术领域。
背景技术
随着人机对话系统的不断发展，在生活中越来越多地接触到这类能够与人类进行交谈的“机器人”，它们正在一点点融入人们的日常生活，在帮助完成很多事情中不断提升生活水平。
目前，现有的基于深度学习的人机对话系统，机器生成的回复往往都是“冷冰冰”、不带有情感倾向的回复。而情感被视为一种“人类智能”，情感表达和感知能够通过自然语言实现，体现了基于情感的对话生成的重要性。
基于情感的对话生成，成为一个新颖且有意义的研究。然而，现有研究主要采取在解码器输入端拼接情感嵌入或引入外部情感词典方式，忽略了情感词更细力度的分类。
发明内容
本发明的目的是针对现有技术存在的缺陷，创造性地提出一种针对请求和情感标签生成的带有指定情感的机器回复方法。
本发明的创新点在于：利用深度学习框架，使用不同的情感标签生成表达指定情感的对话回复，实现在表达上更加流利且在情感上更加准确的人机对话机制。
一种针对请求和情感标签生成的带有指定情感的机器回复方法，包括以下步骤：
步骤1：获取训练数据，并进行数据处理。
具体地，利用带情感标签的对话数据集，提取其中带有情感的句子，得到用于预训练模型的语料集。计算词汇的TF-IDF(term frequency–inverse document frequency，词频-逆文本频率)，用于获取主题词典，同时，获取外部情感词典。利用整体语料集，训练获取词的向量表示。
步骤2：构建预训练网络模型，用于情感打分。
具体地，预训练网络模型由LSTM(长短期记忆，Long short-term memory)和全连接层构成，其输出为情感分类情况。
其中，情感得分score由余弦相似度计算，如式1所示：
Figure BDA0003467946180000021
其中，pclassify表示情感分类结果，lone-hot表示情感标签的独热向量；‖·‖表示向量·的2范数；
预训练损失函数如下式所示：
L′＝L′1+L′2 (2)
L′1＝(1-score) (3)
L′2＝-∑jyjlog(pj) (4)
其中，L′表示预训练损失函数，L′1表示情感得分损失，L′2表示情感分类损失；pj表示数据被分到第j类的概率；yj表示实际分类结果，当数据属于j类时为1，其余情况为0。
优选地，预训练网络模型包括编码器、解码器、条件变分自编码器、输出映射模块和预训练情感打分器。其中，编码器和解码器由门控循环单元GRU构成，用于进行输入输出映射；条件变分自编码器用于将参考回复映射到隐变量空间；输出映射模块用于将解码器的输出映射到词典中的词汇上；预训练情感打分器用于打分控制解码器中情感因子的输入。
步骤3：构建用于正式训练的损失函数。
正式训练损失函数包含三部分，一是条件变分自编码器分布之间的KL散度
Figure BDA0003467946180000022
表示如下：
Figure BDA0003467946180000023
其中，KL表示KL散度计算，Pr()表示条件变分自编码器中的识别网络输出的分布，z表示隐变量，X表示输入请求，
Figure BDA0003467946180000024
表示参考回复，Pp()表示条件变分自编码器中的先验网络输出的分布。
二是对隐变量的情感分类损失
Figure BDA0003467946180000025
表示如下：
Figure BDA0003467946180000031
其中，
Figure BDA0003467946180000032
表示在分布
Figure BDA0003467946180000033
下的交叉熵；P(label|z)表示对隐变量z的分类结果为label的概率，label表示目标情感类别。
三是输出回复序列与参考回复序列之间的交叉熵损失
Figure BDA0003467946180000034
表示如下：
Figure BDA0003467946180000035
其中，Y表示目标输出，z表示隐变量，t表示时间步，yt表示第t个时间步的输出，y表示时间步的输出。
则用于正式训练的损失函数
Figure BDA0003467946180000036
整体表示如下：
Figure BDA0003467946180000037
其中，α为超参数，用于控制KL损失所占的权重，在训练过程中由0增至1。
步骤4：利用步骤1获取的训练数据和步骤2构建的预训练网络模型，训练得到预训练情感打分网络参数Parameterpre-train。
步骤5：利用步骤1得到的训练数据、步骤3的损失函数，以及步骤4得到的预训练情感打分网络参数，训练步骤2构建的预训练网络模型。
具体地，方法如下：
Step 1：用步骤1的词向量和步骤4得到的网络参数Parameterpre-train，初始化预训练网络模型。
Step 2：每一个批次包含步骤1得到的训练数据中的输入请求、参考回复和参考回复的情感标签，句子序列被映射到向量空间，分别送入编码器和变分自编码器，得到中间表示h和隐变量z。
Step 3：用step 2得到的输入中间表示，以及情感嵌入和情感得分，整合后送入解码器中，表示如下：
Figure BDA0003467946180000038
Figure BDA0003467946180000039
其中，st表示第t个时间步的状态输出，st-1表示第t-1个时间步的状态输出；
Figure BDA00034679461800000310
表示注意力机制的权重；hi表示编码器第i个时间步的输出；Ct-1表示第t-1个时间步的输入，
Figure BDA00034679461800000311
表示参考回复第t-1个时间步的词，emb(y)表示词y对应的词向量，Extrainfo表示由隐变量z和情感嵌入拼接成的向量，scoret-1表示第t-1步情感打分器的输出得分。
Step 4：将step 3的输出进行输出映射，得到输出词。
Step 5：将输出的词汇送入预训练情感打分器中，得到当前情感得分，并重复step3-5，直到输出为句子结束标志eos。
Step 6：计算损失函数并利用反向传播计算梯度，利用动量优化算法MomentumOptimizer进行优化，更新模型参数值。
Step 7：重复step2-6，直至损失函数趋于稳定。
实际运行情感对话生成应用，在没有参考回复的条件下，利用条件变分自编码器中的判别网络，生成隐变量的分布。
有益效果
本发明方法，与现有技术相比，具有以下有益效果：
1.本发明引入了预训练情感打分机制，能够控制回复生成过程中的情感表达，考虑到了词汇以及词与词之间相互作用。
2.本发明引入了细粒度情感词典，综合考虑了情感词汇在不同情感类别中出现的概率，同时在训练过程中微调，能够丰富输出回复的情感表达。
3.本发明利用了条件变分自编码器对参考回复建模，使得解码器能够学习到输入和输出的对应关系，优化回复与输入请求之间的语义关联。
4.本发明在多个情感对话生成数据集上均取得了良好的性能提升，同时本发明提出的预训练情感打分器具有很强的灵活性和适配性。
附图说明
图1为本发明方法的工作流程图；
图2为本发明方法的训练数据预处理图；
图3为本发明方法的整体网络架构图；
图4为本发明方法的输出映射结构图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明
实施例
如图1所述，一种针对请求和情感标签生成的带有指定情感的机器回复方法，包括以下步骤：
步骤1：获取训练数据，并进行数据处理。
利用现有的带情感标签的对话数据集emotional conversation generation(ECG)，提取其中情感标签为快乐、悲伤、厌恶、愤怒和喜欢的句子作为预训练语料集，同时搜集全部语句作为正式训练语料集。利用正式训练语料集计算词汇的TF-IDF用于获取主题词典，同时获取外部的情感词典。利用整体语料集采用GloVE方法获取词的向量表示，词向量维度选为100维。如图2所示。
步骤2：构建预训练网络模型。
预训练网络模型将被用于情感打分，模型由LSTM和全连接层构成，输出为情感分类结果，情感得分由分类结果与情感标签的独热编码余弦相似度计算得到，公式如下：
Figure BDA0003467946180000051
损失函数如下所示：
L′＝L′1+L′2
L′1＝(1-score)
Figure BDA0003467946180000052
具体地，网络模型包括五部分，如图3所示，包括编码器(本实施例中采用1个编码器)、解码器、条件变分自编码器、输出映射模块和预训练情感打分器。其中，编码器和解码器用于进行输入输出映射，映射到大小为40000的词汇表中，均由通用的门控循环单元(GRU)构成，门控循环单元的大小设置为256维，实现时采用双向循环神经网络。条件变分自编码器用于将参考回复映射到隐变量空间，隐变量的大小为100维。输出映射模块用于将解码器的输出映射到词典中的词汇上，预训练情感打分器用于打分控制解码器中情感因子的输入，其中情感因子包括100维的情感嵌入以及100维的隐变量。
步骤3：设计损失函数。
损失函数包含三部分，其一是条件变分自编码器模块判别网络和先验网络产生的分布之间的KL散度，表示如下：
Figure BDA0003467946180000053
其二是对隐变量的情感分类损失，表示如下：
Figure BDA0003467946180000061
其三是输出回复序列与参考回复序列之间的交叉熵损失，表示如下：
Figure BDA0003467946180000062
损失函数整体表示如下：
Figure BDA0003467946180000063
α随训练由0增至1，在训练经过800000条数据后将固定为1。
步骤4：利用步骤1获取的训练数据和步骤2得到的预训练网络模型，训练直至损失函数趋于稳定，从而得到预训练情感打分的网络参数Parameterpre-train。
步骤5：如图3所示，利用步骤1得到的训练数据、步骤4的网络损失函数以及步骤4得到的预训练情感打分参数，训练步骤3的网络模型。
Step 1：用步骤1的100维词向量和步骤5得到的预训练参数Parameterpre-train初始化模型。
Step 2：每一个批次包含步骤1得到的训练数据中的输入请求、参考回复和参考回复的情感标签，句子序列被映射到向量空间，分别送入编码器和变分自编码器，得到中间表示h和隐变量z。
Step 3：用Step 2得到的输入中间表示以及100维的情感嵌入和预训练情感打分模块依据前序时间步输出单词计算得到的情感得分，整合后送入解码器中，公式表示如下：
Figure BDA0003467946180000064
Figure BDA0003467946180000065
Step 4：将step 3的输出送入输出映射模块，得到词汇表中概率值最大的词作为当前时间步的输出词。如图4所示，利用GRU输出和隐变量计算得到三个词典的概率，再根据GRU输出、情感嵌入、隐变量以及情感词典的细粒度先验概率值得到情感词典中的每个词汇的出现概率；利用GRU输出分别经过一层全连接层得到主题词典中词汇的概率以及通用词典中词汇的概率。
Step 5：将输出的词汇送入预训练情感打分器中得到当前情感得分，并重复step3-5，直到输出为句子结束标志(eos)。
Step 6：计算损失函数并利用反向传播计算梯度，利用动量优化算法MomentumOptimizer进行优化，学习率为0.0001，更新模型主框架的参数值。
Step 7：重复step2-6，训练30轮，直至损失函数趋于稳定。
实际运行情感对话生成应用，在没有参考回复的条件下，利用条件变分自编码器中的判别网络，生成隐变量的分布。

Claims (5)

1.针对请求和情感标签生成的带有指定情感的机器回复方法，其特征在于，包括以下步骤：
步骤1：利用带情感标签的对话数据集，提取其中带有情感的句子，得到用于预训练模型的语料集，同时搜集全部语句作为正式训练语料集；计算词汇的词频-逆文本频率，用于获取主题词典，同时，获取外部情感词典；利用整体语料集，训练获取词的向量表示；
步骤2：构建预训练网络模型，用于情感打分；
预训练网络模型由长短期记忆LSTM和全连接层构成，其输出为情感分类情况，其中，情感得分score由余弦相似度计算，如式1所示：
Figure FDA0003467946170000011
其中，pclassify表示情感分类结果，lone-hot表示情感标签的独热向量；‖·‖表示向量·的2范数；
预训练损失函数如下式所示：
L′＝L′1+L′2 (2)
L′1＝(1-score) (3)
L′2＝-∑jyjlog(pj) (4)
其中，L′表示预训练损失函数，L′1表示情感得分损失，L′2表示情感分类损失；pj表示数据被分到第j类的概率；yj表示实际分类结果，当数据属于j类时为1，其余情况为0；
步骤3：构建用于正式训练的损失函数；
正式训练损失函数包含以下三个部分：
一是条件变分自编码器分布之间的KL散度
Figure FDA0003467946170000012
表示如下：
Figure FDA0003467946170000013
其中，KL表示KL散度计算，Pr()表示条件变分自编码器中的识别网络输出的分布，z表示隐变量，X表示输入请求，
Figure FDA0003467946170000014
表示参考回复，Pp()表示条件变分自编码器中的先验网络输出的分布；
二是对隐变量的情感分类损失
Figure FDA0003467946170000015
表示如下：
Figure FDA0003467946170000021
其中，
Figure FDA0003467946170000022
表示在分布
Figure FDA0003467946170000023
下的交叉熵；P(label|z)表示对隐变量z的分类结果为label的概率，label表示目标情感类别；
三是输出回复序列与参考回复序列之间的交叉熵损失
Figure FDA0003467946170000024
表示如下：
Figure FDA0003467946170000025
其中，Y表示目标输出，z表示隐变量，t表示时间步，yt表示第t个时间步的输出，y表示时间步的输出；
则用于正式训练的损失函数
Figure FDA0003467946170000026
表示如下：
Figure FDA0003467946170000027
其中，α为超参数，用于控制KL损失所占的权重，在训练过程中由0增至1；
步骤4：利用步骤1获取的训练数据和步骤2构建的预训练网络模型，训练得到预训练情感打分网络参数Parameterpre-train；
步骤5：利用步骤1得到的训练数据、步骤3的损失函数，以及步骤4得到的预训练情感打分网络参数，训练步骤2构建的预训练网络模型；
实际运行情感对话生成应用，在没有参考回复的条件下，利用条件变分自编码器中的判别网络，生成隐变量的分布。
2.如权利要求1所述的针对请求和情感标签生成的带有指定情感的机器回复方法，其特征在于，步骤5包括以下步骤：
Step1：用步骤1的词向量和步骤4得到的网络参数Parameterpre-train，初始化预训练网络模型；
Step2：每一个批次包含步骤1得到的训练数据中的输入请求、参考回复和参考回复的情感标签，句子序列被映射到向量空间，分别送入编码器和变分自编码器，得到中间表示h和隐变量z；
Step3：用step2得到的输入中间表示，以及情感嵌入和情感得分，整合后送入解码器中，表示如下：
Figure FDA0003467946170000028
Figure FDA0003467946170000029
其中，st表示第t个时间步的状态输出，st-1表示第t-1个时间步的状态输出；
Figure FDA0003467946170000031
表示注意力机制的权重；hi表示编码器第i个时间步的输出；Ct-1表示第t-1个时间步的输入，
Figure FDA0003467946170000032
表示参考回复第t-1个时间步的词，emb(y)表示词y对应的词向量，Extrainfo表示由隐变量z和情感嵌入拼接成的向量，scoret-1表示第t-1步情感打分器的输出得分；
Step4：将step3的输出进行输出映射，得到输出词；
Step5：将输出的词汇送入预训练情感打分器中，得到当前情感得分，并重复step3-5，直到输出为句子结束标志eos；
Step6：计算损失函数并利用反向传播计算梯度，利用动量优化算法MomentumOptimizer进行优化，更新模型参数值；
Step7：重复step2-6，直至损失函数趋于稳定。
3.如权利要求1所述的针对请求和情感标签生成的带有指定情感的机器回复方法，其特征在于，步骤1中，利用整体语料集采用GloVE方法获取词的向量表示，词向量维度选为100维。
4.如权利要求1所述的针对请求和情感标签生成的带有指定情感的机器回复方法，其特征在于，步骤1中，提取句子的情感标签包括快乐、悲伤、厌恶、愤怒和喜欢。
5.如权利要求1所述的针对请求和情感标签生成的带有指定情感的机器回复方法，其特征在于，步骤2的预训练网络模型，包括编码器(1)、第二编码器(2)、第三编码器(3)、解码器、条件变分自编码器、输出映射模块和预训练情感打分器；其中，三个编码器以及解码器，均由门控循环单元GRU构成，用于进行输入输出映射；条件变分自编码器用于将参考回复映射到隐变量空间，条件变分自编码器中包括有编码器(1)；输出映射模块用于将解码器的输出映射到词典中的词汇上；预训练情感打分器用于打分控制解码器中情感因子的输入，预训练情感打分器包括有编码器(3)。
CN202210034903.6A 2022-01-13 2022-01-13 针对请求和情感标签生成的带有指定情感的机器回复方法 Pending CN114547261A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210034903.6A CN114547261A (zh) 2022-01-13 2022-01-13 针对请求和情感标签生成的带有指定情感的机器回复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210034903.6A CN114547261A (zh) 2022-01-13 2022-01-13 针对请求和情感标签生成的带有指定情感的机器回复方法

Publications (1)

Publication Number Publication Date
CN114547261A true CN114547261A (zh) 2022-05-27

Family

ID=81670841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210034903.6A Pending CN114547261A (zh) 2022-01-13 2022-01-13 针对请求和情感标签生成的带有指定情感的机器回复方法

Country Status (1)

Country Link
CN (1) CN114547261A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115239937A (zh) * 2022-09-23 2022-10-25 西南交通大学 一种跨模态情感预测方法
CN116932726A (zh) * 2023-08-04 2023-10-24 重庆邮电大学 一种基于可控多空间特征解耦的开放域对话生成方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115239937A (zh) * 2022-09-23 2022-10-25 西南交通大学 一种跨模态情感预测方法
CN115239937B (zh) * 2022-09-23 2022-12-20 西南交通大学 一种跨模态情感预测方法
CN116932726A (zh) * 2023-08-04 2023-10-24 重庆邮电大学 一种基于可控多空间特征解耦的开放域对话生成方法
CN116932726B (zh) * 2023-08-04 2024-05-10 重庆邮电大学 一种基于可控多空间特征解耦的开放域对话生成方法

Similar Documents

Publication Publication Date Title
CN110929030B (zh) 一种文本摘要和情感分类联合训练方法
CN108763504B (zh) 一种基于强化双通道序列学习的对话回复生成方法及系统
CN112712804B (zh) 语音识别方法、系统、介质、计算机设备、终端及应用
CN111275401B (zh) 一种基于位置关系的智能面试方法及系统
CN111145729B (zh) 语音识别模型训练方法、系统、移动终端及存储介质
CN111241250B (zh) 一种情感对话生成系统和方法
CN110321418A (zh) 一种基于深度学习的领域、意图识别和槽填充方法
CN114547261A (zh) 针对请求和情感标签生成的带有指定情感的机器回复方法
Lee et al. Joint learning of phonetic units and word pronunciations for ASR
CN112037773B (zh) 一种n最优口语语义识别方法、装置及电子设备
CN111966800A (zh) 情感对话生成方法、装置及情感对话模型训练方法、装置
CN111666381A (zh) 一种面向智能管制的任务型问答交互系统
CN112420024A (zh) 一种全端到端的中英文混合空管语音识别方法及装置
CN111914556A (zh) 基于情感语义转移图谱的情感引导方法及系统
CN112182161A (zh) 一种基于用户对话历史的个性化对话生成方法和系统
CN114385802A (zh) 一种融合主题预测和情感推理的共情对话生成方法
CN114911932A (zh) 基于主题语义增强的异构图结构多会话者情感分析方法
CN112818106A (zh) 一种生成式问答的评价方法
CN113139042A (zh) 一种利用微调和重排序策略的情感可控回复生成方法
CN111782788A (zh) 一种面向开放域对话系统的情感回复自动生成方法
Li et al. Biomedical named entity recognition based on the two channels and sentence-level reading control conditioned LSTM-CRF
CN112905776A (zh) 一种情感对话模型构建方法、情感对话系统及方法
CN116303966A (zh) 基于提示学习的对话行为识别系统
Liu et al. Dual-TBNet: Improving the robustness of speech features via dual-Transformer-BiLSTM for speech emotion recognition
CN113326367A (zh) 基于端到端文本生成的任务型对话方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination