第一篇 概述
第1章 对话系统
第2章 意图识别
2.1 意图特征表示相关研究综述
2.1.1 离散式表示
2.1.2 分布式表示
2.1.3 小结
2.2 已知意图分类方法研究综述
2.2.1 基于单模型的对话意图分类模型研究综述
2.2.2 基于双模型的对话意图分类模型研究综述
2.2.3 小结
2.3 未知意图检测研究综述
2.3.1 基于传统判别式模型的未知意图检测
2.3.2 基于计算机视觉领域开放集识别的未知意图检测
2.3.3 基于领域外样本检测的未知意图类型检测
2.3.4 基于其他方法的未知意图类型检测
2.3.5 小结
2.4 未知意图类型发现研究综述
2.4.1 基于无监督聚类的未知意图类型发现
2.4.2 基于半监督聚类的未知意图类型发现
2.4.3 小结
2.5 本章小结
第二篇 意图分类
第3章 基于单模型的意图分类
3.1 引言
3.2 不同神经网络模型的对比
3.2.1 基线系统
3.2.2 基于神经网络语言模型的话语分类器
3.2.3 基于RNN的话语分类器
3.2.4 基于LSTM和GRU的话语分类器
3.3 实验
3.3.1 数据集和评价指标
3.3.2 实验设置
3.3.3 实验结果
3.4 本章小结
第4章 用于意图分类和槽位填充的双RNN语义分析框架
4.1 引言
4.2 意图分类和槽位填充任务方法
4.2.1 基于深度神经网络的意图分类方法
4.2.2 基于循环神经网络的槽位填充方法
4.2.3 两个任务的联合学习模型
4.3 用于联合语义框架解析的双模型RNN结构
4.3.1 带有解码器的双模型结构
4.3.2 无解码器的双模型结构
4.3.3 异步训练
4.4 对比实验
4.4.1 数据集和评价指标
4.4.2 实验设置
4.4.3 实验结果
4.5 本章小结
第三篇 未知意图检测
第5章 基于模型后处理的未知意图检测方法
5.1 引言
5.2 基于模型后处理的未知意图检测方法
5.2.1 基于深度神经网络的意图分类器
5.2.2 SofterMax激活函数
5.2.3 深度新颖检测模块
5.2.4 Platt Scaling联合预测
5.3 实验
5.3.1 任务与数据集
5.3.2 实验设置
5.3.3 实现结果与分析
5.4 本章小结
第6章 基于深度度量学习的对话意图发现
6.1 引言
6.2 模型的框架结构
6.3 元特征表示
6.3.1 意图特征表示
6.3.2 计算簇中心向量
6.3.3 计算元特征表示
6.4 余弦分类器
6.5 深度度量学习
6.5.1 角度边际损失函数
6.5.2 距离边际损失函数
6.6 训练及预测
6.6.1 联合目标训练
6.6.2 基于置信度阈值的意图预测
6.7 实验结果与分析
6.7.1 实验数据集
6.7.2 评估方法
6.7.3 基准方法
6.7.4 参数设定
6.7.5 实验结果与分析
6.8 本章小结
第7章 基于大边际余弦损失函数的未知意图检测方法
7.1 引言
7.2 基于大边际余弦损失函数的未知意图检测模型
7.2.1 角度边际损失函数
7.2.2 大边际余弦损失函数
7.3 实验
7.3.1 任务与数据集
7.3.2 实验设置
7.3.3 实验结果与分析
7.4 本章小结
第8章 基于动态约束边界的未知意图检测方法
8.1 引言
8.2 模型的框架结构
8.3 动态约束边界的定义
8.4 深度意图特征学习
8.5 约束边界学习
8.6 训练及预测
8.6.1 交互式训练
8.6.2 基于动态约束边界的意图预测
8.7 基于动态约束边界的对话意图发现
8.7.1 实验数据集
8.7.2 评估方法
8.7.3 基准方法
8.7.4 参数设定
8.7.5 实验结果与分析
8.8 本章小结
第四篇 未知意图发现
第9章 基于自监督约束聚类的未知意图发现模型
9.1 引言
9.2 用于自监督的约束聚类方法
9.2.1 Transformer双向编码器
9.2.2 成对相似性预测
9.2.3 基于KL散度的聚类精炼
9.3 实验
9.3.1 任务与数据集
9.3.2 实验设置
9.3.3 实验结果与分析
9.4 本章小结
第五篇 对话意图识别平台
第10章 基于深度学习的对话意图识别实验平台
10.1 引言
10.2 开放意图识别平台
10.2.1 数据管理
10.2.2 模型
10.2.3 训练和评估
10.2.4 结果分析
10.3 总体框架
10.4 实验
结束语
参考文献
附录A 英文缩写对照表
附录B 图索引
附录C 表索引
展开
