發(fā)布時(shí)間：2024-04-23 03:28

　　神經(jīng)網(wǎng)絡(luò)再度崛起給社會(huì)帶來(lái)了巨大的影響,應(yīng)用結(jié)合最深入的莫過(guò)于圖像處理以及自然語(yǔ)言處理等領(lǐng)域,應(yīng)用深度學(xué)習(xí)的聊天機(jī)器人正是其中熱點(diǎn)。近年來(lái),聊天機(jī)器人與專(zhuān)業(yè)領(lǐng)域的結(jié)合更是成為了當(dāng)下非常熱的人工智能的研究方向。目前世界各地的研究者們?cè)谘芯块_(kāi)發(fā)面向?qū)�業(yè)領(lǐng)域的智能聊天機(jī)器人時(shí),一般都會(huì)采用深度學(xué)習(xí)技術(shù)對(duì)系統(tǒng)進(jìn)行開(kāi)發(fā),目前很多學(xué)者嘗試采用檢索與生成相結(jié)合的方式設(shè)計(jì)系統(tǒng),本文的研究基于這種想法進(jìn)行設(shè)計(jì)。本文針對(duì)聊天機(jī)器人的發(fā)展以及在醫(yī)學(xué)領(lǐng)域的應(yīng)用進(jìn)行了分析研究,結(jié)合當(dāng)下中醫(yī)的發(fā)展現(xiàn)狀,提出設(shè)計(jì)一個(gè)可用于中醫(yī)問(wèn)診的、可學(xué)習(xí)的智能問(wèn)答系統(tǒng)。本文重點(diǎn)完成的工作有:1、通過(guò)研究詞嵌入技術(shù),學(xué)習(xí)使用Google研發(fā)的Word2Vec訓(xùn)練工具訓(xùn)練的詞向量在深度模型中的應(yīng)用,實(shí)驗(yàn)詞向量和獨(dú)熱編碼在處理文本中的表現(xiàn);2、準(zhǔn)確查找定位系統(tǒng)研發(fā)需要的醫(yī)療問(wèn)診數(shù)據(jù)集,通過(guò)研究網(wǎng)絡(luò)爬蟲(chóng)技術(shù)搜集整理系統(tǒng)設(shè)計(jì)需要的數(shù)據(jù)集并標(biāo)注,研究自然語(yǔ)言處理基礎(chǔ),對(duì)系統(tǒng)數(shù)據(jù)集進(jìn)行有效的處理,包括建立術(shù)語(yǔ)字典,保存整理后的有效數(shù)據(jù)等;3、通過(guò)實(shí)驗(yàn)SVM以及卷積神經(jīng)網(wǎng)絡(luò)在文本分類(lèi)數(shù)據(jù)集上的表現(xiàn),研究并改進(jìn)模型,采用卷積神經(jīng)網(wǎng)絡(luò)和SVM進(jìn)行組...

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.4Bengio提出的基于熵準(zhǔn)則學(xué)習(xí)模型示意圖

圖2.4Bengio提出的基于熵準(zhǔn)則學(xué)習(xí)模型示意圖Figure2.4SchematicdiagramofBengio'sentropy-basedlearningmodel詞向量合自然語(yǔ)言，能夠很好的表現(xiàn)好出人們和世界之間的關(guān)系，利用短的詞語(yǔ)以得到很多人的信....

圖2.10循環(huán)神經(jīng)網(wǎng)絡(luò)的總體結(jié)構(gòu)圖

組成了向量矩陣，才會(huì)有具體的意，分別在相鄰的行其高度表示的是任都認(rèn)為全部的輸入非如此，循環(huán)神經(jīng)網(wǎng)定向循環(huán)，即以神理自然語(yǔ)言過(guò)程中網(wǎng)絡(luò)剛好可以反映

圖2.11循環(huán)神經(jīng)網(wǎng)絡(luò)展開(kāi)結(jié)構(gòu)圖

圖2.11循環(huán)神經(jīng)網(wǎng)絡(luò)展開(kāi)結(jié)構(gòu)圖Figure2.11CircularneuralnetworkexpansionstructureRNN輸入到隱藏層時(shí)，每次循環(huán)之間的參數(shù)計(jì)算可闡述如下，通過(guò)矩陣U的參數(shù)，這些循環(huán)每次進(jìn)行計(jì)算全部是通過(guò)完全一致的權(quán)重矩陣W進(jìn)....

圖2.14LSTM模型結(jié)構(gòu)圖

圖2.13常用的激活函數(shù)Figure2.13CommonActivationFunctions期記憶網(wǎng)絡(luò)準(zhǔn)循環(huán)神經(jīng)網(wǎng)絡(luò)，在進(jìn)行樣本的訓(xùn)練過(guò)程中，很容易暴露出炸問(wèn)題，并且僅僅體現(xiàn)一部分的全文信息，雖然RNN理論上列，實(shí)際應(yīng)用中，RNN很難處理長(zhǎng)度超過(guò)10個(gè)長(zhǎng)度....

本文編號(hào)：3962549