导读:本文包含了自然语言理解论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:自然语言,人工智能,机器,人机,深度,形式,智能。
自然语言理解论文文献综述
侯佳腾,常薇,林冠峰[1]（2019）在《基于自然语言理解技术的智能客服机器人的设计与实现》一文中研究指出本文提出了一种会话交互金融服务模式,即以会话作为服务的触达方式与用户建立深度的感知和联系,洞察客户深层次的情绪和意图,以智能化和人性化的人机交互体验逐渐模糊掉人与机器间的界限。秉承这一金融服务新模式,本文主要讲述了一种基于自然语言处理技术的智能客服机器人的设计与实现方案,利用前沿的自然语言处理(NLP)、机器学习(ML)、深度学习(DL)等人工智能技术,实现了微信、移动APP、传统Web等电子渠道端客服系统的集成接入,对提升客户服务水平具有积极意义。(本文来源于《电子技术与软件工程》期刊2019年23期）
侯沐澜[2]（2019）在《面向自然语言理解的新槽值问题研究与应用》一文中研究指出自然语言理解模块是任务型人机对话系统的重要组成部分,一般包含领域识别、意图识别与语义标注叁个部分,语义标注识别用户输入中的槽值,也常称为槽填充,是自然语言理解的主要任务。在很多实际应用中,NLU不仅需要语义标注算法识别出用户输入中的槽值,还需要将槽值映射到一个预定义(或基于训练语料构建)的槽值列表上。但是,预定义的表难以包含所有可能槽值,实际对话中常常会出现不在列表(或训练语料)中的新槽值。有效识别新槽值对于自然语言理解的健壮性和对话系统的扩展性都具有重要价值,但是,传统的基于序列标注的方法以及基于分类的方法都无法有效地解决这一新槽值问题。本文针对上述问题,在充分调研已有相关研究的基础上,结合实际需求开展工作,具体内容包括:提出了一种基于注意力机制的联合语义标注模型以及基于负采样的模型训练方法。模型结合序列标注器与分类器,序列标注器定位槽值信息而分类器获得标准槽值或新槽值类别标签·,基于负采样的训练方法通过构建负样例使得模型可以进行监督训练。在两个语料的实验结果表明,基于负样例的训练显着提升了新槽值识别的性能,而注意力机制可以自主发现关键信息,进一步提升了模型性能。对联合模型进行了扩展研究,尝试了多种建模多字符槽值内部关联的方法,包括添加文本特征、改进注意力机制、文本语义结构表示,并进行了同时有多个槽情形下的槽值识别探索。实验结果表明,本模型可以成功迁移至多槽的应用情景,识别每一个槽中的新槽值。基于上述技术,实现了一个完整的自然语言理解模块,应用于某企业手机售后客服人机对话系统。对模块的功能测评表明,该模块能够成功识别标准槽值与新槽值,在实际应用过程中表现出了良好的性能。(本文来源于《北京邮电大学》期刊2019-06-04）
余喆,廖备水[3]（2019）在《基于形式论辩系统的滑坡论证分析——人工智能如何理解自然语言论辩》一文中研究指出形式论辩是当前人工智能领域的研究热点之一。作为一种非单调推理形式手段,它可以与自然语言处理、论证挖掘等多个研究方向结合。然而,如何运用形式论辩理论来建模非形式论证,仍然是一个开放性问题。文章以此为出发点,着眼于一种在法律、伦理领域常见的非形式论证——滑坡论证,使用形式论辩方法对其进行建模。借鉴非形式逻辑领域论证图式的研究,文章对一个源于自然语言文本的滑坡论证案例,即"明日复明日",进行了深入分析。在此基础上结合形式论辩领域中的抽象论辩框架及结构化论辩ASPIC+系统,对滑坡论证进行刻画,构建了一个针对滑坡论证的形式化论辩理论。案例研究显示,使用文章给出的滑坡论辩理论推理的结果符合人类推理直觉。(本文来源于《科学技术哲学研究》期刊2019年02期）
秦美林[4]（2019）在《一个汽车问答领域的中文自然语言理解子系统的设计与实现》一文中研究指出近些年来,随着人工智能技术的爆发式发展,越来越多的公司开始了在人机对话领域的探索。目前很多企业已经将对话机器人投入到生产中,如百度的小度、天猫的天猫精灵、小米的小爱同学、京东JIMI等,应用在智能家居、机器人客服等领域。在对话处理的自然语言理解(NLU)过程中,大都使用规则的方式对用户的意图和词槽进行抽取。这种方式虽然简单且稳定,但是随着规则的增加,维护和扩展的成本将会剧增。本文提出使用深度学习技术,设计并实现一套提供汽车问答领域的中文自然语言理解模型训练及管理的子系统,提供数据管理、模型训练、服务配置和NLU解析服务。通过对国内外自然语言理解相关技术的研究,及对国内相关的产品体验和使用,结合具体的业务场景,对自然语言理解子系统进行了需求分析,将子系统划分为四大模块,分别为训练数据管理、模型训练、服务配置和NLU解析服务。训练数据管理模块包含训练语料管理、词典管理和规则管理两个子模块,提供网页可视化的训练数据的录入或者删除。模型训练模块包含意图识别模型训练和实体识别模型训练两个子模块,配置模型训练用到的可选超参数,启动业务模型训练。服务配置模块展示了所有已经训练好的意图识别模型和实体识别模型,根据需求选择意图识别模型和实体识别模型进行自然语言理解解析测试,启动NLU服务。NLU解析服务模块是一个Thrift服务,接收调用请求,提供解析功能。系统使用Python语言实现,模型设计使用Pytorch框架,远程服务调用使用Thrift框架,使用Flask框架构建Web应用。自然语言理解子系统实现屏蔽了模型训练的具体细节,为模型开发用户提供了简单易用的界面,为服务调用方提供了高效、精准的模型。(本文来源于《华中科技大学》期刊2019-04-01）
邬宏伟,高书强,顾春旺[5]（2018）在《关于人工智能在自然语言理解技术上的应用探讨》一文中研究指出将人类与其它动物区分开的重要标志之一就是语言,凭借语言可以进行思想上的交流和沟通,使得人类社会能够发展到今天。本文主要论述了自然语言理解技术的概念和特征及其发展趋势,简述了将人工智能应用于自然语言理解技术方面的内容。(本文来源于《数码世界》期刊2018年07期）
程志,周施文,黄鹤凌[6]（2018）在《自然语言理解技术在知识库导航中的应用》一文中研究指出针对近年来许多组织机构知识库的体量和复杂度不断增长,利用难度越来越高的现状,本文提出了一种结合人工智能自然语言理解技术的知识库导航系统的设计方案,并以地震局的信息管理部门需求为例子,介绍了原型系统的设计、开发和应用方法。该系统在后端整合多种业务信息系统,在前端向用户提供对话式的人机交互接口,提升了人员对组织知识库的操控能力,也从而提升了知识库的利用率。本文方案具有易实现,易扩展和易用性高的特点,具有较好的应用潜力。(本文来源于《科学技术创新》期刊2018年18期）
孙梦楠[7]（2018）在《智能音箱中自然语言语义理解算法的研究》一文中研究指出随着智能时代的到来,人工智能相关技术极速发展,语音交互已经成为人机交互最重要的方式之一。不论是互联网巨头还是传统的硬件厂商全部将目光瞄准了智能音箱,纷纷推出自己的智能音箱产品,试图将智能音箱作为语音入口,提供给用户众多内容服务,抢占智能家居的枢纽。在智能语音产品中,语义理解准确率是评价一个语音平台技术能力和一个语音产品好坏最重要的标准。因此,在智能音箱中最核心的环节是语义理解,而其中最重要的功能就是音乐。本文基于智能音箱的使用场景,对音乐领域的语义理解算法和优化方法进行了研究,主要开展的工作如下:首先,提出知识库与搜索结合的算法,实现音箱中音乐领域的语义理解。基于使用场景与要求,智能音箱中对音乐语义理解算法的要求可概述为:信息抽取和意图识别。为了解决信息抽取,提出基于知识库与搜索的思想解决音乐领域的信息抽取。这主要是源于音乐具有知识的概念,但内部并不具从属抽象关系,因此受领域内基于知识库的自然语言理解算法和基于语义的搜索算法启发,提出了知识库与搜索相结合。因智能音箱中query(指令)包含噪音信息,设计了 query预处理模块;为了解决音乐领域实体命名歧义问题,设计了排序步骤;为了解决意图判断,为语义理解算法设计了打分模块。基于以上的思想与方案,设计了由query预处理、搜索及排序、字段抽取和打分四个模块组成的音乐领域语义理解算法。其次,为了解决基于规则的排序和打分情况覆盖不全,随规则更加逻辑繁杂问题,提出运用机器学习算法代替规则,对语义理解算法进行优化。第一,提出用基于LambdaMART的音乐排序算法,优化排序子模块进而提升信息抽取的准确率即语义理解算法中属性准确率和属性值准确率。本文以AdaRank为对比,从不同角度对比两个排序学习算法,最终根据算法的结果和使用目的,证明选择LambdaMART的正确性。基于LambdaMART的音乐排序算法使语义理解算法的属性准确率提升至99.106%,属性值准确率提升至98.143%。第二,提出利用基于GBDT的音乐打分算法,优化打分子模块进而提高语义理解算法的意图识别准确率及意图召回率。通过对比选择不同特征及对特征值采用不同处理方式时GBDT模型的评价指标,选出最优GBDT模型。基于GBDT的打分算法使语义理解算法的意图准确率提升至99.19%,意图召回率提升至94.83%。(本文来源于《湖南大学》期刊2018-05-11）
陆汝钤[8]（2018）在《自然语言理解和机器智能》一文中研究指出英国科学家图灵(Turing)曾首先提出现代计算机的数学模型——图灵机。这个模型对后世计算机和计算机科学的发展产生了深远的影响。图灵还有一项重要贡献,对后来人工智能的研究有重大意义,这就是图灵测试的思想。自从计算机诞生以后,人们对计算机是否具有智能进行了长期的争论。图灵在1950年发表于《哲学》杂志的一篇文章提出了着名的图灵测试。其方案为:由测试人A与另(本文来源于《语言战略研究》期刊2018年03期）
王东升,王石,王卫民,符建辉,诸峰[9]（2018）在《基于带约束语义文法的领域相关自然语言理解方法》一文中研究指出开放域问答系统通常可以借助一些数据冗余方法来提高问答准确性,而对于缺乏大规模领域语料的领域相关问答系统来说,准确理解用户的意图成为这类系统的关键。该文首先定义了一种带约束语义文法,与本体等语义资源相结合,可以在词汇级、句法级、语义级对自然语言句子的解析过程进行约束,解决自然语言理解歧义问题;然后给出了一个高效的文法匹配算法,其首先依据定义的各种约束条件预先过滤一些规则,然后依据提出的匹配度计算模型对候选的规则进行排序,找到最佳匹配。为了验证方法的有效性,将方法应用到两个实际的应用领域的信息查询系统。实验结果表明,本系统提出的方法切实有效,系统理解准确率分别达到了82.4%和86.2%,MRR值分别达到了91.6%和93.5%。(本文来源于《中文信息学报》期刊2018年02期）
温丽云[10]（2017）在《自然语言理解的联合建模技术研究与应用》一文中研究指出在面向特定任务的人机对话系统中,自然语言理解模块负责获取用户输入的与任务相关的信息,把用户输入的自然语言文本转换为便于机器理解和计算的结构化语义表示。自然语言理解是对话系统的先导任务,是后续任务的基础,它的性能会直接影响整个对话系统的质量。自然语言理解通常包含领域识别、意图识别和槽填充叁个子任务,传统的研究大多分别建模这叁个子任务,易出现误差累积的问题,影响自然语言理解的整体性能,为此,出现了联合建模其中两个或多个子任务的研究。本文研究自然语言理解中意图识别和槽填充两个子任务的联合建模,并应用构建人机对话系统中,具体内容包括:提出了一个同时建模意图识别和槽填充两个子任务中交互信息、层次信息以及上下文信息的多级深层神经网络模型。基础模型由两个深层神经网络级联而成,通过采用不同的神经网络变体进行不同的组合,发展了一个联合模型簇。在两个公开英文语料和一个实验室系统获取的中文语料上的实验结果都表明:本文提出的联合模型比已有的联合模型具有更好的性能,在中文语料上的提升幅度甚至超过十个百分点。实验分析表明了交互信息、层次信息以及上下文信息的有效性。提出了一种不依赖外部语料、对于不同语种都适用的缓解自然语言理解中未登录词问题的方法。该方法在上述联合模型的基础上进一步构建了具有显式上下文输入的结构,同时引入数字、字词聚类类别等特征。实验结果表明,该方法有助于降低未登录词的槽标注错误率,尤其在数字未登录词上效果明显,可以降低叁十个百分点。基于上述模型,实现了一个自然语言理解模块,并将其应用到一个电信领域的智能问答系统中,表现出良好的性能。(本文来源于《北京邮电大学》期刊2017-12-15）
自然语言理解论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
自然语言理解模块是任务型人机对话系统的重要组成部分,一般包含领域识别、意图识别与语义标注叁个部分,语义标注识别用户输入中的槽值,也常称为槽填充,是自然语言理解的主要任务。在很多实际应用中,NLU不仅需要语义标注算法识别出用户输入中的槽值,还需要将槽值映射到一个预定义(或基于训练语料构建)的槽值列表上。但是,预定义的表难以包含所有可能槽值,实际对话中常常会出现不在列表(或训练语料)中的新槽值。有效识别新槽值对于自然语言理解的健壮性和对话系统的扩展性都具有重要价值,但是,传统的基于序列标注的方法以及基于分类的方法都无法有效地解决这一新槽值问题。本文针对上述问题,在充分调研已有相关研究的基础上,结合实际需求开展工作,具体内容包括:提出了一种基于注意力机制的联合语义标注模型以及基于负采样的模型训练方法。模型结合序列标注器与分类器,序列标注器定位槽值信息而分类器获得标准槽值或新槽值类别标签·,基于负采样的训练方法通过构建负样例使得模型可以进行监督训练。在两个语料的实验结果表明,基于负样例的训练显着提升了新槽值识别的性能,而注意力机制可以自主发现关键信息,进一步提升了模型性能。对联合模型进行了扩展研究,尝试了多种建模多字符槽值内部关联的方法,包括添加文本特征、改进注意力机制、文本语义结构表示,并进行了同时有多个槽情形下的槽值识别探索。实验结果表明,本模型可以成功迁移至多槽的应用情景,识别每一个槽中的新槽值。基于上述技术,实现了一个完整的自然语言理解模块,应用于某企业手机售后客服人机对话系统。对模块的功能测评表明,该模块能够成功识别标准槽值与新槽值,在实际应用过程中表现出了良好的性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
自然语言理解论文参考文献
[1].侯佳腾,常薇,林冠峰.基于自然语言理解技术的智能客服机器人的设计与实现[J].电子技术与软件工程.2019
[2].侯沐澜.面向自然语言理解的新槽值问题研究与应用[D].北京邮电大学.2019
[3].余喆,廖备水.基于形式论辩系统的滑坡论证分析——人工智能如何理解自然语言论辩[J].科学技术哲学研究.2019
[4].秦美林.一个汽车问答领域的中文自然语言理解子系统的设计与实现[D].华中科技大学.2019
[5].邬宏伟,高书强,顾春旺.关于人工智能在自然语言理解技术上的应用探讨[J].数码世界.2018
[6].程志,周施文,黄鹤凌.自然语言理解技术在知识库导航中的应用[J].科学技术创新.2018
[7].孙梦楠.智能音箱中自然语言语义理解算法的研究[D].湖南大学.2018
[8].陆汝钤.自然语言理解和机器智能[J].语言战略研究.2018
[9].王东升,王石,王卫民,符建辉,诸峰.基于带约束语义文法的领域相关自然语言理解方法[J].中文信息学报.2018
[10].温丽云.自然语言理解的联合建模技术研究与应用[D].北京邮电大学.2017
论文知识图
