登录新甫京343414com

张飞软硬开源基于STM32 BLDC直流无刷电机驱动器开发视频套件,??戳此立抢??

结合NLU在面向任务的对话系统中的具体应用进行介绍

2019-03-21 09:31 ? 次阅读

登录新甫京343414com www.london-email-marketing.com 以下是节选内容

按照技术实现,我们可将任务驱动的对话系统划分为如下两类:

模块化的对话系统

分模块串行处理对话任务,每一个模块负责特定的任务,并将结果传递给下一个模块,通常由NLU(Natural Language Understanding,自然语言理解)、DST(Dialogue State Tracking,对话状态追踪)、DPL(Dialogue Policy Learning,对话策略学习)、NLG(Natural Language Generation,自然语言生成)4个部分构成。在具体的实现上,可以针对任一模块采用基于规则的人工设计方式,或者基于数据驱动的模型方式。

端到端的对话系统

考虑采用由输入直接到输出的端到端对话系统,忽略中间过程,采用数据驱动的模型实现。

目前,主流的任务对话系统实现为模块化方式,由于现有训练数据规模的限制,端到端的方式仍处于探索阶段。本文主要介绍模块化的面向任务的对话系统,图1介绍了其主要模块。

(1)NLU:将用户输入的自然语言语句映射为机器可读的结构化语义表述,这种结构化语义一般由两部分构成,分别是用户意图(user intention)和槽值(slot-value)。

图1??面向任务的对话系统的主要模块

(2)DST:这一模块的目标是追踪用户需求并判断当前的对话状态。该模块以多轮对话历史、当前的用户动作为输入,通过总结和推理理解在上下文的环境下用户当前输入自然语言的具体含义。对于对话系统来说,这一模块有着重大意义,很多时候需要综合考虑用户的多轮输入才能让对话系统理解用户的真正需求。

(3)DPL:也被称为对话策略优化(optimization),根据当前的对话状态,对话策略决定下一步执行什么系统动作。系统行动与用户意图类似,也由意图和槽位构成。

(4)NLG:负责把对话策略模块选择的系统动作转化为自然语言,最终反馈给用户。

在与用户直接关联的两个模块中,ASR指的是自动语音识别,TTS指的是语音合成。如第2章介绍的,ASR和TTS并不是系统必备的模块,也不是本书介绍的重点,因此在面向任务的对话系统中不对这两部分技术做详细介绍。

1.?NLU模块

本文主要结合NLU在面向任务的对话系统中的具体应用进行介绍。

对面向任务的对话系统来说,NLU模块的主要任务是将用户输入的自然语言映射为用户的意图和相应的槽位值。因此,在面向任务的对话系统中,NLU模块的输入是用户对话语句,输出是解析后得到的用户动作。该模块涉及的主要技术是意图识别和槽位填充,这两种技术分别对应用户动作的两项结构化参数,即意图和槽位。

下面主要讨论如何针对面向任务的对话系统设计NLU模块,包括针对特定任务定义意图和相应的槽位,以及后续从用户的输入中获取任务目标的意图识别方法和对应的槽位填充方法。

(1)意图和槽位的定义

意图和槽位共同构成了“用户动作”,机器是无法直接理解自然语言的,因此用户动作的作用便是将自然语言映射为机器能够理解的结构化语义表示。

意图识别,也被称为SUC(Spoken Utterance Classification),顾名思义,是将用户输入的自然语言会话进行划分,类别(classification)对应的就是用户意图。例如“今天天气如何”,其意图为“询问天气”。自然地,可以将意图识别看作一个典型的分类问题。意图的分类和定义可参考ISO-24617-2标准,其中共有56种详细的定义。面向任务的对话系统中的意图识别通常可以视为文本分类任务。同时,意图的定义与对话系统自身的定位和所具有的知识库有很大关系,即意图的定义具有非常强的领域相关性。

槽位,即意图所带的参数。一个意图可能对应若干个槽位,例如询问公交车路线时,需要给出出发地、目的地、时间等必要参数。以上参数即“询问公交车路线”这一意图对应的槽位。语义槽位填充任务的主要目标是在已知特定领域或特定意图的语义框架(semantic frame)的前提下,从输入语句中抽取该语义框架中预先定义好的语义槽的值。语义槽位填充任务可以转化为序列标注任务,即运用经典的IOB标记法,标记某一个词是某一语义槽的开始(begin)、延续(inside),或是非语义槽(outside)。

要使一个面向任务的对话系统能正常工作,首先要设计意图和槽位。意图和槽位能够让系统知道该执行哪项特定任务,并且给出执行该任务时需要的参数类型。为了方便与问答系统做异同对比,我们依然以一个具体的“询问天气”的需求为例,介绍面向任务的对话系统中对意图和槽位的设计。

用户输入示例:“今天上海天气怎么样”

用户意图定义:询问天气,Ask_Weather

槽位定义

槽位一:时间,Date

槽位二:地点,Location

“询问天气”的需求对应的意图和槽位如图2所示。

图2??意图与槽位定义(1)

在上述示例中,针对“询问天气”任务定义了两个必要的槽位,它们分别是“时间”和“地点”。

对于一个单一的任务,上述定义便可解决任务需求。但在真实的业务环境下,一个面向任务的对话系统往往需要能够同时处理若干个任务,例如气象台除了能够回答“询问天气”的问题,也应该能够回答“询问温度”的问题。

对于同一系统处理多种任务的复杂情况,一种优化的策略是定义更上层的领域,如将“询问天气”意图和“询问温度”意图均归属于“天气”领域。在这种情况下,可以简单地将领域理解为意图的集合。定义领域并先进行领域识别的优点是可以约束领域知识范围,减少后续意图识别和槽位填充的搜索空间。此外,对于每一个领域进行更深入的理解,利用好任务及领域相关的特定知识和特征,往往能够显著地提升NLU模块的效果。据此,对图2的示例进行改进,加入“天气”领域。

用户输入示例

1.“今天上海天气怎么样”

2.“上海现在气温多少度”

领域定义:天气,Weather

用户意图定义

1. 询问天气,Ask_Weather

2. 询问温度,Ask_Temperature

槽位定义

槽位一:时间,Date

槽位二:地点,Location

改进后的“询问天气”的需求对应的意图和槽位如图3所示。

图3??意图与槽位定义(2)

(2)意图识别和槽位填充

做好意图和槽位的定义后,需要从用户输入中提取用户意图和相应槽对应的槽值。意图识别的目标是从用户输入的语句中提取用户意图,单一任务可以简单地建模为一个二分类问题,如“询问天气”意图,在意图识别时可以被建模为“是询问天气”或者“不是询问天气”二分类问题。当涉及需要对话系统处理多种任务时,系统需要能够判别各个意图,在这种情况下,二分类问题就转化成了多分类问题。

槽位填充的任务是从自然语言中提取信息并填充到事先定义好的槽位中,例如在图2中已经定义好了意图和相应的槽位,对于用户输入“今天上海天气怎么样”系统应当能够提取出“今天”和“上海”并分别将其填充到“时间”和“地点”槽位。基于特征提取的传统机器学习模型已经在槽位填充任务上得到了广泛应用。近年来,随着深度学习技术在自然语言处理领域的发展,基于深度学习的方法也逐渐被应用于槽位填充任务。相比于传统的机器学习方法,深度学习模型能够自动学习输入数据的隐含特征。例如,将可以利用更多上下文特征的最大熵马尔可夫模型引入槽位填充的过程中[8],类似地,也有研究将条件随机场模型引入槽位填充。

基于RNN的深度学习模型在意图识别和槽位填充领域也得到了大量的应用,Attention-Based Recurrent Neural Network Models for Joint Intent Detection and Slot Filling中介绍了使用Attention-Based RNN模型进行意图识别和槽位填充的方法,作者提出将“alignment information”加入Encoder-Decoder模型,以及将“alignment information”和“attention”加入RNN这两种解决槽位填充和意图识别问题的模型。需要特别介绍的是,与基于RNN的意图识别和槽位填充相比,基于LSTM模型的槽位填充可以有效解决RNN模型中存在的梯度消失问题。

另外,在实际工程中往往需要先对句子中的各个组成部分进行标注,所以通常也会应用到序列标注方法。

进行意图识别和槽位填充的传统方法是使用串行执行的方式,即先进行意图识别,再根据意图识别的结果进行槽位填充任务。这种方式的主要缺陷是:

可能产生错误传递,导致错误放大。

限定领域也就意味着不同领域需要不同的方法和模型进行处理,各个领域之间的模型没有共享,但在很多情况下,例如订火车票和飞机票时,时间、地点等槽位都是一致的。

因为串行执行的方式存在上述问题,所以研究人员改为使用Multi-Domain Joint Semantic Frame Parsing Using Bi-Directional RNN-LSTM, INTERSPEECH中设计的联合学习(joint learning)方式进行意图识别和槽位填充。

另外,还有一种情况需要特别注意。在一次天气询问任务完成后,用户又问“那明天呢”时,实际上可以认为第二个问句是开始了另一次“询问天气”任务,只是其中的“时间”槽位是指定的,而“地点”槽位则需要重复利用(继承)上一次任务中的值。

对意图识别模块和槽位填充模块的主要评价指标包括:

意图识别的准确率,即分类的准确率。

槽位填充的F1-score。

2.?DST模块

DST模块以当前的用户动作、n-1前轮的对话状态和相应的系统动作作为输入,输出是DST模块判定得到的当前对话状态

对话状态的表示(DST-State Representation)通常由以下3部分构成。

(1)目前为止的槽位填充情况。

(2)本轮对话过程中的用户动作。

(3)对话历史。

其中,槽位的填充情况通常是最重要的状态表示指标。

我们知道,由于语音识别不准确或是自然语言本身存在歧义性等原因,NLU模块的识别结果往往与真实情况存在一定的误差。所以,NLU模块的输出往往是带概率的,即每一个可能的结果有一个相应的置信程度。由此,DST在判断当前的对话状态时就有了两种选择,这两种选择分别对应了两种不同的处理方式,一种是1-Best方式,另一种则是N-Best方式[11]。

1-Best方式指DST判断当前对话状态时只考虑置信程度最高的情况,因此维护对话状态的表示时,只需要等同于槽位数量的空间,如图4所示。

图4 ?1-Best方式下的对话状态与槽位的对应

N-Best方式指DST判断当前对话状态时会综合考虑所有槽位的所有置信程度,因此每一个槽位的N-Best结果都需要考虑和维护,并且最终还需要维护一个槽位组合在一起(overall)的整体置信程度,将其作为最终的对话状态判断依据,如图5所示。

图5??N-Best方式下的对话状态与槽位的对应

实现DST模块的方法主要有:基于条件随机场模型的序列跟踪模型、基于RNN和LSTM的序列跟踪模型等。

3.??DPL模块

DPL模块的输入是DST模块输出的当前对话状态,通过预设的对话策略,选择系统动作作为输出。下面结合具体案例介绍基于规则的DPL方法,也就是通过人工设计有限状态自动机的方法实现DPL。

案例一:询问天气

以有限状态自动机的方法进行规则的设计,有两种不同的方案:一种以点表示数据,以边表示操作;另一种以点表示操作,以边表示数据,这两种方案各有优点,在具体实现时可以根据实际情况进行选择。

方案一:以点表示数据(槽位状态),以边表示操作(系统动作)(如图6所示)

在这种情况下,有限状态自动机中每一个对话状态S表示槽位的填充情况,例如槽位均为空时,状态为NULL,表示为(0,0);仅时间(Time)槽位被填充时,状态表示为(0,1)。本示例中槽位共有两个,分别为时间和地点(Location),因此共有4种不同的状态。

图6?“询问天气”有限状态自动机设计(1)

状态迁移是由系统动作引起的,例如仅时间槽位被填充时,下一步的系统动作为“询问地点”(Ask?Location),以获取完整的槽位填充。S0为起始状态,Z为终结状态,S1、S2、S3三个状态的作用是对槽位填充进行确认。如果成功填充,则跳转到下一个状态继续;如果没有成功,则再一次询问进行槽位填充(Ask Again)。

这种方式的弊端非常明显:随着槽位数量的增加,对话状态的数量也会急剧增加。具体来说,在上述方案中,对话状态的总数由槽位的个数决定,如果槽位有k个,那么对话状态的数量为2k个。尝试改进这一弊端的研究有很多,如Young S等人提出的隐藏信息状态模型(Hidden Information State,HIS)和Thomson B等人提出的基于贝叶斯更新的对话状态管理模型(Bayesian Update of Dialogue State,BUDS)等。

方案二:以点表示操作(系统动作),以边表示数据(槽位状态)(如图7所示)

图7?“询问天气”有限状态自动机设计(2)

在这种情况下,有限状态自动机中每一个对话状态S表示一种系统动作,本例中系统动作共有3种,分别是两种问询动作:“询问时间”(Ask Date)和“询问地点”(Ask Location),以及最后的系统回复“回答天气”(Answer)动作。有限状态自动机中状态的迁移则是由槽位的状态变化,即“用户动作”引起的。

对比上述两种方案可以发现,第二种有限状态自动机以系统动作为核心,设计方式更简洁,并且易于工程实现,更适合人工设计的方式。第一种有限状态自动机以槽位状态为核心,枚举所有槽位情况的做法过于复杂,更适合数据驱动的机器学习方式。

系统动作的定义通常有问询、确认和回答3种。问询的目的是了解必要槽位缺失的信息;确认是为了解决容错性问题,填槽之前向用户再次确认;回答则是最终回复,意味着任务和有限状态自动机工作的结束。

细心的读者可能已经发现,采取问询的方式获得缺失的槽位信息,在一些情况下是不合适的,以“询问天气”任务为例,向用户问询槽位缺失的信息会大幅降低用户对系统的满意度。在真实的业务环境下,系统往往会直接采取默认值填充槽位的方式,或者结合以往的对话历史数据,自动填补个性化的结果。例如,用户以往问的都是上海的天气,那么“地点”槽位就会被个性化地填充为“上海”。

这就引出了对面向任务的对话系统的质量评估方法:对面向任务的对话系统而言,完成用户指定任务所需的对话轮数越少越好。在实际应用中,诸如“询问天气”这样的任务,通常都尽可能地在一次对话中完成,而有些任务则必须要进行多轮对话,例如订餐、购票等任务。

接下来,我们以“订餐需求”为例,说明多轮对话的必要性,以及对话轮数的取舍问题。

案例二:订餐

在典型的订餐领域的对话系统中,根据生活经验,我们知道需要为系统定义以下几个槽位。

(1)slot1:用户住址(Address)。

(2)slot2:用户手机号码(Phone)。

(3)slot3:订餐餐厅名称(Res_name)。

(4)slot4:食物名称(Food_item)。

(5)slot5:食物类型(Food_type)。

(6)slot6:价格范围(Price_range)。

其中前4项为必要槽位,对订餐任务来说是必须提供的参数,最后两项为非必要槽位,可有可无,有的话可以提高订餐任务的精准度。参考案例一的处理过程,首先对此任务设计相应的有限状态自动机,如图8所示。

图8?“订餐”系统有限状态自动机设计

可以发现,在该任务下的有限状态自动机设计中,我们只加入了必要槽位的问询操作,没有对Food_type和Price_range进行强制的系统问询。两个非必要槽位能够对“Ask Food_item”,即询问具体的食物名称起到辅助作用。当用户没有明确需求时,系统可以给出具体的食物推荐,这样的设定可以有效地减少非必要的对话,减少对话轮数。

4.??NLG模块

NLG模块的输入是DPL模块输出的系统动作,输出是系统对用户输入的回复

目前,NLG模块仍广泛采用传统的基于规则的方法,表1给出了3个示例规则的定义。根据规则可以将各个系统动作映射成自然语言表达。

为了实现回复的多样性,各种基于深度神经网络的模型方法被提出并得到发展。

以上是《自然语言处理实践:聊天机器人技术原理与应用》节选内容。

原文标题:NLP实践:对话系统技术原理和应用

文章出处:【微信号:rgznai100,微信公众号:AI科技大本营】欢迎添加关注!文章转载请注明出处。

收藏 人收藏
分享:

评论

相关推荐

安筱鹏: 拥抱数据驱动的智能+ 新时代

安筱鹏博士指出,5G、物联网、人工智能、数字孪生、云计算等智能技术群的“核聚变”,推动着人类社会从万....
的头像 工业4俱乐部 发表于 03-21 11:39 ? 469次 阅读
安筱鹏: 拥抱数据驱动的智能+ 新时代

为什么无人机不能像鸟一样“停下来休息一会”呢?

一个研究团队受到了鸟类和蝙蝠的启发,设计出了这种“爪子”,该团队指出,很多飞行动物都有脚或爪,让它们....
的头像 无人机网 发表于 03-18 13:50 ? 148次 阅读
为什么无人机不能像鸟一样“停下来休息一会”呢?

第5次浪潮“将是一个由数据驱动的计算时代

第5次计算浪潮涵盖了一切通信设备。希加斯带领与会者快速回顾移动通信历史:2G创建发送文本消息的功能,....
的头像 IEEE电气电子工程师学会 发表于 03-15 13:46 ? 157次 阅读
第5次浪潮“将是一个由数据驱动的计算时代

数据驱动的生产模式初现,数字经济加速发展

展望2019年,新一代信息技术将推动制造业加速向万物互联、软件定义、数据驱动、平台支撑、智能主导等方....
的头像 工业IoT 发表于 03-12 17:05 ? 860次 阅读
数据驱动的生产模式初现,数字经济加速发展

自然语言的语义表示学习方法与应用

在获取句子或文档的语义表示时,一段话的语义由其各组成部分的语义,以及它们之间的组合方法所确定[8]。....
的头像 中国人工智能学会 发表于 03-08 14:33 ? 753次 阅读
自然语言的语义表示学习方法与应用

收割机UAS Block 50地面控制站成功完成测试

用于远程驾驶飞机(RPA)的Block 50 GCS驾驶舱通过优化的人机界面(HMI)设计,具有改进....
的头像 无人机网 发表于 03-06 16:42 ? 533次 阅读
收割机UAS Block 50地面控制站成功完成测试

一种在视觉语言导航任务中提出的新方法,来探索未知环境

视觉语言导航(vision-language navigation, VLN)任务指的是引导智能体或....
的头像 电子发烧友网工程师 发表于 03-05 09:38 ? 485次 阅读
一种在视觉语言导航任务中提出的新方法,来探索未知环境

Airblock模块化编程无人机评测 安装方式模块化以及极富创意的编程功能

比如风靡全球的乐高玩具,加上几个开关与导线,年轻的玩客们就能够鼓捣出各种类似门铃、遥控小汽车这样的有....
的头像 39度创意研究所 发表于 03-04 11:05 ? 257次 阅读
Airblock模块化编程无人机评测 安装方式模块化以及极富创意的编程功能

了解BERT原理、技术、实践,只需3分钟

它基于谷歌2017年发布的Transformer架构,通常的Transformer使用一组编码器和解....
的头像 新智元 发表于 03-01 08:58 ? 1130次 阅读
了解BERT原理、技术、实践,只需3分钟

深度分析NLP中的注意力机制

注意力机制越发频繁的出现在文献中,因此对注意力机制的学习、掌握与应用显得十分重要。本文便对注意力机制....
的头像 新智元 发表于 02-17 09:18 ? 396次 阅读
深度分析NLP中的注意力机制

Python登上“最强王者”中国程序猿是“全场MVP”

国内基于 Python 创业成功的案例不在少数,豆瓣,知乎,果壳,全栈都是 Python,大家对 P....
的头像 电子发烧友网工程师 发表于 02-16 10:23 ? 423次 阅读
Python登上“最强王者”中国程序猿是“全场MVP”

基于表格的自然语言理解与生成方向的一系列工作

对于给定的自然语言q和给定的表格全集T={T1, T2, .., Tn},表格检索任务的目的是从T中....
的头像 电子发烧友网工程师 发表于 02-04 09:26 ? 158次 阅读
基于表格的自然语言理解与生成方向的一系列工作

Transformer一统江湖:自然语言处理三大特征抽取器比较

上面这几个特点请记清,一个特征抽取器是否适配问题领域的特点,有时候决定了它的成败,而很多模型改进的方....
的头像 新智元 发表于 02-04 09:06 ? 393次 阅读
Transformer一统江湖:自然语言处理三大特征抽取器比较

《中国近代史纲要》考试过关?Python帮你划重点

这个分析确实有用,看着这些词我就联想到了,在1840—1919年的中国,清政府面对外敌的屈辱,以及孙....
的头像 电子发烧友网工程师 发表于 01-28 09:16 ? 674次 阅读
《中国近代史纲要》考试过关?Python帮你划重点

谷歌重磅发布自然问题数据集,包含30万个自然发生的问题和人工注释的答案

目前,NQ挑战赛排行榜上只有谷歌的BERT模型和DecAtt-DocReader模型的成绩。在论文中....
的头像 新智元 发表于 01-25 09:07 ? 927次 阅读
谷歌重磅发布自然问题数据集,包含30万个自然发生的问题和人工注释的答案

微软亚洲研究院自然语言计算组全新力作

基于信息检索的方法将每个知识图谱实体对应的维基百科文档作为该实体的表示,并基于该类文档对全部知识图谱....
的头像 新智元 发表于 01-24 08:25 ? 794次 阅读
微软亚洲研究院自然语言计算组全新力作

清华大学人工智能研究院宣布成立知识智能研究中心

张钹院士指出,新一代人工智能指向的必须是安全可信的人工智能,深度学习技术由于数据驱动的特性,存在可解....
的头像 新智元 发表于 01-23 09:28 ? 761次 阅读
清华大学人工智能研究院宣布成立知识智能研究中心

关于多模态机器学习综述论文

因此,当研究问题或数据集包括多个这样的模态时,其特征在于多模态。 本文主要关注但不仅仅关注三种形式:....
的头像 人工智能学家 发表于 01-21 13:38 ? 567次 阅读
关于多模态机器学习综述论文

NLP中的4个主要开放问题

我们在小组讨论中讨论了这些问题。这篇文章主要是基于我们的专家的回答,以及小组成员Jade Abbot....
的头像 新智元 发表于 01-20 08:48 ? 1059次 阅读
NLP中的4个主要开放问题

2019年将占主导地位的19项人工智能技术

带有预测分析和场景构建器的资本压力测试解决方案可以帮助组织保持符合监管资本要求。而且,被标记为潜在洗....
的头像 机器人博览 发表于 01-04 14:57 ? 860次 阅读
2019年将占主导地位的19项人工智能技术

GM的赌局,通往电气化技术的取舍

所以,这次拿BEV来说了,我觉得还是一个很重要的问题,在总体达到20万的插电式车辆以后,在联邦的75....
的头像 汽车电子设计 发表于 01-03 09:59 ? 422次 阅读
GM的赌局,通往电气化技术的取舍

MLPerf 联盟公布7项测试构成了当前机器学习领域的全新行业基准测试

NVIDIA最初致力于研究封闭组,旨在针对ML训练系统(包括硬件和软件)提供有价值的对比。为实现这一....
的头像 英伟达NVIDIA企业解决方案 发表于 12-24 14:12 ? 1643次 阅读
MLPerf 联盟公布7项测试构成了当前机器学习领域的全新行业基准测试

计算机产业进入数据驱动发展时代

过去几年是对C端共性价值信息发掘的鼎盛时期,低的成本能够较快被盈利模式创新所覆盖,而B端的个体差异化....
的头像 人工智能学家 发表于 12-11 17:00 ? 1332次 阅读
计算机产业进入数据驱动发展时代

微软计划在2020年推出Surface Studio显示器

消息报道称这款微软Surface Studio显示器拥有自己独特的设计风格,并采用模块化设计。遗憾的....
发表于 12-02 10:03 ? 166次 阅读
微软计划在2020年推出Surface Studio显示器

我们到底该不该从裸奔走向操作系统呢?

在写裸机软件时,不可避免的在主程序中会有一个超级大的 while(1) 循环,这里面几乎包含整个项目....
的头像 电子发烧友网 发表于 11-26 10:23 ? 683次 阅读
我们到底该不该从裸奔走向操作系统呢?

如何使用CNN和BiLSTM网络特征融合进行文本情感分析

卷积神经网络( CNN)和循环神经网络(RNN)在自然语言处理,上得到广泛应用,但由于自然语言在结构....
发表于 11-22 16:01 ? 288次 阅读
如何使用CNN和BiLSTM网络特征融合进行文本情感分析

机器学习的下一个杀手级应用是什么

机器学习的研究正进行的如火如荼,各种新方法层出不穷。尽管这样,还有一个问题摆在面前,研究这些算法对于....
的头像 人工智能 发表于 11-17 09:34 ? 590次 阅读
机器学习的下一个杀手级应用是什么

关于d3.js的一些误解,为不同技术背景的人设计了专门的学习路线

对设计师而言,d3提供了强大的能力和灵活性,但他们首先必须学习一些基础的技能。我经常推荐Scott ....
的头像 论智 发表于 11-16 09:28 ? 836次 阅读
关于d3.js的一些误解,为不同技术背景的人设计了专门的学习路线

华为Mate20Pro拆解 模块化程度很高但可维修性不强

最近专业的拆解团队iFixit发布了华为Mate 20 Pro的拆机报告,为我们揭开这款年度旗舰的神....
的头像 39度创意研究所 发表于 11-08 10:19 ? 7553次 阅读
华为Mate20Pro拆解 模块化程度很高但可维修性不强

其实自然语言交互就是个坑,为什么会出现这种情况?

第四,这个行业工作量很大,即便是小领域工作量也很大。有人说通用问答机器人我做不好,我做个法律、医疗、....
的头像 1号机器人网 发表于 11-06 11:50 ? 673次 阅读
其实自然语言交互就是个坑,为什么会出现这种情况?

自然语言处理发展中不得不知的8件大事纪要

自然语言是人类独有的智慧结晶。自然语言处理(Natural Language Processing....
的头像 人工智能学家 发表于 10-21 09:52 ? 1200次 阅读
自然语言处理发展中不得不知的8件大事纪要

模块化水表采集器的原理及设计

今天为大家介绍一项国家发明授权专利——一种模块化的水表采集器。该专利由河北丰源智控科技股份有限公司申....
发表于 10-15 09:28 ? 313次 阅读
模块化水表采集器的原理及设计

浅析Uber的一键式聊天架构

通过机器学习和自然语言理解结束,Uber实现了一套智能的聊天系统,从而有效的提升司机和乘客之间的沟通....
的头像 LiveVideoStack 发表于 10-08 16:55 ? 1208次 阅读
浅析Uber的一键式聊天架构

模块化UPS的技术选择详解

  1. 引言   近年来,随着互联网、云计算、移动互联网和物联网等技术的快速发展,数据中心系统规模不断增大,重要性越来越高...
发表于 09-30 16:25 ? 311次 阅读
模块化UPS的技术选择详解

通过模块化功能测试确保医疗警报垂饰准确可靠

This application note shows how the 34980A multi-function switch/measure unit is being used to test medical alert devi...
发表于 09-30 10:28 ? 127次 阅读
通过模块化功能测试确保医疗警报垂饰准确可靠

5G模块化、柔性折叠和滑屏设计会让联想手机翻身吗?

近日,联想集团召开2018年度科技创新大会,杨元庆宣布了新的SloT智能终端战略,并带来了多款终端新....
的头像 罗欣 发表于 09-28 09:53 ? 1723次 阅读
5G模块化、柔性折叠和滑屏设计会让联想手机翻身吗?

革新人机交互方式 自然语言交互成为主流

我相信我们正走在正确的道路上,然而我也能看到这条道路的艰辛和漫长。好在经过十多年的反复探索,虽然屡战....
的头像 机器人大讲堂 发表于 09-19 17:41 ? 890次 阅读
革新人机交互方式 自然语言交互成为主流

企业存储系统市场的厂商结果

该季度戴尔是最大的外部企业存储系统供应商,占全球收入的29.2%,NetApp以13.5%的收入份额....
的头像 存储界 发表于 09-12 09:28 ? 3104次 阅读
企业存储系统市场的厂商结果

基于区块链模块化高效率基础设施“Luther”介绍

Luther 是一个模块化的高效率区块链基础设施,不仅是大家熟悉的公有链基础设施,它也是一个联盟链基....
发表于 09-11 11:39 ? 970次 阅读
基于区块链模块化高效率基础设施“Luther”介绍

电销机器人出现后人工电销员应从事什么职业?电销机器人是如何于客户沟通的?

电销岗位提高途径狭隘、作业单调,职业的改变开展,使得人工电销员能够投身到“训机师”的新岗位中。机器人....
发表于 09-07 08:00 ? 329次 阅读
电销机器人出现后人工电销员应从事什么职业?电销机器人是如何于客户沟通的?

贴片机模块化设计概述

  模块化的设计理念源于柔性设计思想,其目的是通过模块化设计使贴片机设备及其功能部件在生产中具有更高适应性和高效性。从概...
发表于 09-06 16:40 ? 279次 阅读
贴片机模块化设计概述

Richard Socher:NLP领域的发展要过三座大山

面对自然语言处理发展(NLP)存在的诸多难题,该领域的大牛、Salesforce的首席科学家Rich....
的头像 人工智能学家 发表于 09-06 11:40 ? 1183次 阅读
Richard Socher:NLP领域的发展要过三座大山

关于类别化与模块化设计模式的解释

但相对于类别化绘图方式,模块化绘图方式有一个缺点,那就是模块化绘图方式是基于功能模块绘制的电路,但控....
的头像 工控资料窝 发表于 09-06 10:21 ? 1048次 阅读
关于类别化与模块化设计模式的解释

全球首款模块化手机拆解 任何人都能不费吹灰之力的拆开设备

现如今的电子设备越来越高级,集成度也越来越高,导致拆解维修的难度越来越大,iFixit的评分体系中基....
的头像 39度创意研究所 发表于 09-05 14:23 ? 1721次 阅读
全球首款模块化手机拆解 任何人都能不费吹灰之力的拆开设备

盘点各行业应用的10个人工智能用例

如今,人工智能(AI)越来越受到企业决策者的关注。鉴于这一点,人工智能使用案例日益增多并不奇怪。根据....
的头像 AI人工智能D1net 发表于 09-04 16:02 ? 2032次 阅读
盘点各行业应用的10个人工智能用例

天然大数据公司的挖掘价值的典型案例

作为一家“信息公司”,亚马逊不仅从每个用户的购买行为中获得信息,还将每个用户在其网站上的所有行为都记....
的头像 悟空智能科技 发表于 09-03 10:03 ? 4701次 阅读
天然大数据公司的挖掘价值的典型案例

盘点占主导地位的19种人工智能技术

自然语言生成是人工智能的分支,研究如何将数据转化为文本,用于客户服务、报告生成以及市场概述。
的头像 人工智能学家 发表于 08-30 11:03 ? 1035次 阅读
盘点占主导地位的19种人工智能技术

惠普模块化PC评测 两台5.5寸手机的面积足以容纳

2016年9月,惠普正式发布了一款Mini主机——惠普幻系列Elite Slice,主要面向商务客户....
的头像 39度创意研究所 发表于 08-28 14:58 ? 2056次 阅读
惠普模块化PC评测 两台5.5寸手机的面积足以容纳

碧如蓝模块化组合设计,工地环境检测,视频叠加实时监控设备介绍

通过物联网以及云计算技术,实现了实时、远程、自动监控颗粒物浓度以及现场视频、图像的采集;数据通过网络....
发表于 08-27 10:25 ? 195次 阅读
碧如蓝模块化组合设计,工地环境检测,视频叠加实时监控设备介绍

盘点人工智能领域的19个热门应用

自然语言生成是人工智能的分支,研究如何将数据转化为文本,用于客户服务、报告生成以及市场概述。
的头像 重庆人工智能 发表于 08-24 15:36 ? 1095次 阅读
盘点人工智能领域的19个热门应用

AttnGAN可以生成任意图像,从普通的田园风光到抽象的场景

更具体地说,除了将自然语言描述编码到全局句子向量中,句中的每个单词同样有对应的向量。在第一阶段,生成....
的头像 论智 发表于 08-24 09:01 ? 1356次 阅读
AttnGAN可以生成任意图像,从普通的田园风光到抽象的场景

语音技术和其他形式的沟通方式符合全面的客户沟通和忠诚度建设战略

根据这份报告,企业要记住的另一件重要的事情是,人工客户服务座席是企业最大的支持者:“给(客户服务座席....
的头像 CTI论坛 发表于 08-23 16:18 ? 1615次 阅读
语音技术和其他形式的沟通方式符合全面的客户沟通和忠诚度建设战略

机器学习数据驱动中如何对小裂纹扩展的方向和速度进行识别

小裂纹的扩展是导致结构部件进入疲劳期的主要因素。尽管人们对此有很大的兴趣,但就裂缝扩展的方向和速度而....
的头像 知社学术圈 发表于 08-18 10:31 ? 945次 阅读
机器学习数据驱动中如何对小裂纹扩展的方向和速度进行识别

基于蓝牙技术的机器人模块化无线通信设计

   长期以来 , 移动机器人研究中的数据通信问题一直困扰着研究人员 , 一些多关节、结构复杂的机器人系统不得不背负着大...
发表于 02-22 10:05 ? 1308次 阅读
基于蓝牙技术的机器人模块化无线通信设计