●第一篇 概述
第1章 對話繫統
第2章 意圖識別
2.1 意圖特征表示相關研究綜述
2.1.1 離散式表示
2.1.2 分布式表示
2.1.3 小結
2.2 已知意圖分類方法研究綜述
2.2.1 基於單模型的對話意圖分類模型研究綜述
2.2.2 基於雙模型的對話意圖分類模型研究綜述
2.2.3 小結
2.3 未知意圖檢測研究綜述
2.3.1 基於傳統判別式模型的未知意圖檢測
2.3.2 基於計算機視覺領域開放集識別的未知意圖檢測
2.3.3 基於領域外樣本檢測的未知意圖類型檢測
2.3.4 基於其他方法的未知意圖類型檢測
2.3.5 小結
2.4 未知意圖類型發現研究綜述
2.4.1 基於無監督聚類的未知意圖類型發現
2.4.2 基於半監督聚類的未知意圖類型發現
2.4.3 小結
2.5 本章小結
第二篇 意圖分類
第3章 基於單模型的意圖分類
3.1 引言
3.2 不同神經網絡模型的對比
3.2.1 基線繫統
3.2.2 基於神經網絡語言模型的話語分類器
3.2.3 基於RNN的話語分類器
3.2.4 基於LSTM和GRU的話語分類器
3.3 實驗
3.3.1 數據集和評價指標
3.3.2 實驗設置
3.3.3 實驗結果
3.4 本章小結
第4章 用於意圖分類和槽位填充的雙RNN語義分析框架
4.1 引言
4.2 意圖分類和槽位填充任務方法
4.2.1 基於深度神經網絡的意圖分類方法
4.2.2 基於循環神經網絡的槽位填充方法
4.2.3 兩個任務的聯合學習模型
4.3 用於聯合語義框架解析的雙模型RNN結構
4.3.1 帶有解碼器的雙模型結構
4.3.2 無解碼器的雙模型結構
4.3.3 異步訓練
4.4 對比實驗
4.4.1 數據集和評價指標
4.4.2 實驗設置
4.4.3 實驗結果
4.5 本章小結
第三篇 未知意圖檢測
第5章 基於模型後處理的未知意圖檢測方法
5.1 引言
5.2 基於模型後處理的未知意圖檢測方法
5.2.1 基於深度神經網絡的意圖分類器
5.2.2 SofterMax激活函數
5.2.3 深度新穎檢測模塊
5.2.4 Platt Scaling聯合預測
5.3 實驗
5.3.1 任務與數據集
5.3.2 實驗設置
5.3.3 實現結果與分析
5.4 本章小結
第6章 基於深度度量學習的對話意圖發現
6.1 引言
6.2 模型的框架結構
6.特征表示
6.3.1 意圖特征表示
6.3.2 計算簇中心向量
6.3.3 特征表示
6.4 餘弦分類器
6.5 深度度量學習
6.5.1 角度邊際損失函數
6.5.2 距離邊際損失函數
6.6 訓練及預測
6.6.1 聯合目標訓練
6.6.2 基於置信度閾值的意圖預測
6.7 實驗結果與分析
6.7.1 實驗數據集
6.7.2 評估方法
6.7.3 基準方法
6.7.4 參數設定
6.7.5 實驗結果與分析
6.8 本章小結
第7章 基於大邊際餘弦損失函數的未知意圖檢測方法
7.1 引言
7.2 基於大邊際餘弦損失函數的未知意圖檢測模型
7.2.1 角度邊際損失函數
7.2.2 大邊際餘弦損失函數
7.3 實驗
7.3.1 任務與數據集
7.3.2 實驗設置
7.3.3 實驗結果與分析
7.4 本章小結
第8章 基於動態約束邊界的未知意圖檢測方法
8.1 引言
8.2 模型的框架結構
8.3 動態約束邊界的定義
8.4 深度意圖特征學習
8.5 約束邊界學習
8.6 訓練及預測
8.6.1 交互式訓練
8.6.2 基於動態約束邊界的意圖預測
8.7 基於動態約束邊界的對話意圖發現
8.7.1 實驗數據集
8.7.2 評估方法
8.7.3 基準方法
8.7.4 參數設定
8.7.5 實驗結果與分析
8.8 本章小結
第四篇 未知意圖發現
第9章 基於自監督約束聚類的未知意圖發現模型
9.1 引言
9.2 用於自監督的約束聚類方法
9.2.1 Transformer雙向編碼器
9.2.2 成對相似性預測
9.2.3 基於KL散度的聚類精煉
9.3 實驗
9.3.1 任務與數據集
9.3.2 實驗設置
9.3.3 實驗結果與分析
9.4 本章小結
第五篇 對話意圖識別平臺
第10章 基於深度學習的對話意圖識別實驗平臺
10.1 引言
10.2 開放意圖識別平臺
10.2.1 數據管理
10.2.2 模型
10.2.3 訓練和評估
10.2.4 結果分析
10.3 總體框架
10.4 實驗
結束語
參考文獻
附錄A 英文縮寫對照表
附錄B 圖索引
附錄C 表索引