NLG语言生成

本文探讨了基于槽值对的对话系统生成方法,包括传统模板匹配和利用RNN-LSTM的深度学习技术,旨在提高对话系统的灵活性和响应质量。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

在经过了(NLU)用户语言分析和对话模型生成(policy module)后,产生了相应的槽值对,例如

所以,重要的是,是根据槽值对,产生相应的系统回答话语,来反馈给用户,我们可以将上述系统产生的动作产生如下的输出。

所以,关键的步骤便是如何根据槽值对来产生对应的语言。

第一种也是根据传统的模板的方法,利用正则表达式,

系统决策是从本体库中查询用户相对应的所需数据,例如根据i want a cheap restaurant 来产生相应的用户动作后,从系统对应的本体库中查询,产生与用户动作相同的系统动作,随后根据系统动作填充对应缺省的地方即可。这种方式较为笨拙,无法适用于大型网络。

而以下采用的方法便是根据传统的深度学习方法。利用RNN的LSTM的长短型记忆,来产生话语。具体这里不进行展开。

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值