Skip to content

Latest commit

 

History

History
85 lines (78 loc) · 3.79 KB

jiazhen.md

File metadata and controls

85 lines (78 loc) · 3.79 KB

2018 第五周 0326-0401

  1. Wang H, Lu Z, Li H, et al. A Dataset for Research on Short-Text Conversations[C]. empirical methods in natural language processing, 2013: 935-945.

    2. 这篇文章主要建立了一个大型短文本对话语料库。语料库的数据来自于新浪微博的微博和回复。数据集由三部分组成。第一部分是原始的微博和评论。第二部分是微博和回复对，第三部分是挑选的纯回复。并且作者提出了一种基于检索的对话生成模型。

  2. Hao Y, Zhang Y, Liu K, et al. An End-to-End Model for Question Answering over Knowledge Base with Cross-Attention Combining Global Knowledge[C]// Meeting of the Association for Computational Linguistics. 2017:221-231.

    3. 在这篇文章中，作者提出了一个知识库问答（KBQA）的端到端的模型。与前人工作相比，作者动态地表达问题，而不是转换成为一个固定长度的vector。

2018 第六周 0402-0408

  1. Shang, Lifeng, Zhengdong Lu, and Hang Li. Neural Responding Machine for Short-Text Conversation[C]. meeting of the association for computational linguistics, 2015: 1577-1586.

    2. 这篇文章中作者提出了一个基于神经网络的短文本对话回应生成器。采用微博单论对话数据集，使用了sequence-to-sequence模型。

2018 第七周 0409-0415

  1. hang, Lifeng, Zhengdong Lu, and Hang Li. Neural Responding Machine for Short-Text Conversation[C]. meeting of the association for computational linguistics, 2015: 1577-1586.

    2. 这篇文章中作者提出了一个基于神经网络的短文本对话回应生成器。采用微博单论对话数据集，使用了sequence-to-sequence模型。

2018 第八周 0416-0422

  1. 曹东岩. 基于强化学习的开放领域聊天机器人对话生成算法[D].哈尔滨工业大学,2017.

    2. 这是一篇硕士学位论文，作者介绍了目前国内外聊天机器人的研究现状，以及基于RNN的seq2seq对话生成模型。

2018 第九周 0423-0429

  1. 曹东岩. 基于强化学习的开放领域聊天机器人对话生成算法[D].哈尔滨工业大学,2017.

    2. 利用作者的seq2seq对话生成模型参数，对自己模型参数进行改进。

2018 第十周 0430-0506

  1. 徐梓翔. 任务型对话系统平台的设计与实现[D].哈尔滨工业大学,2017.

    2. 这是一篇硕士学位论文。其中介绍了任务型对话系统的大致框架：命令解析（包含意图识别和语义槽填充），对话管理（意图间和意图内管理）。 语义槽识别任务可视为序列标注任务来解决。作者介绍了LUIS.AI,API.AI等任务型对话系统的工具。

  2. 隗梦夕. 面向养老保险领域的问答系统关键技术研究[D].哈尔滨工程大学,2013.

    3. 这是一篇硕士学位论文。作者建立了一个养老保险领域的问答系统。领域问答系统采用多策略检索方式，对用户输入的自然语言问句，首先从问答对库中搜索，搜索到 相似问题时将相似问题的答案返回给用户，此时的过程是问句与问句间的相似度计算；无匹配结果时则从领域文本库中进行文本及段落检索探索答案，此时的过程是问句与句子之间的相似度计算。

2018 0716-0722

  1. 徐梓翔,车万翔,刘挺.基于Bi-LSTM-CRF网络的语义槽识别[J].智能计算机与应用,2017,7(06):91-94.

    2. 作者把自然语言理解中的语义槽识别问题看作命名实体识别任务,以序列标注任务的方法解决。作者采用了Bi－LSTM－CRF网络训练序列标注模型，在英文语料ATIS上进行了实验。