口语理解中改进循环神经网络的应用  

Modified Recurrent Neural Networks in Spoken Language Understanding

作　　者：张晶晶 黄浩[1] 胡英 吾守尔·斯拉木[1] ZHANG Jingjing;HUANG Hao;HU Ying;WUSHOUR Silamu(College of Information Science and Engineering,Xinjiang University,Urumuqi 830046,China)

机构地区：[1]新疆大学信息科学与工程学院

出　　处：《计算机工程与应用》2019年第18期155-160,共6页Computer Engineering and Applications

基　　金：国家自然科学基金（No.61663044,No.61761041）;国家重点研发计划项目（No.2017YFB1402101）

摘　　要：口语理解性能的提升对于口语对话系统的研究具有重要作用。为了提高口语理解性能,应用循环神经网络(RNN)及其变体(LSTM,GRU)方法。在此基础上,提出一种改进的循环神经网络(Modified-RNN)方法,该方法通过添加存储历史状态信息,能够存储更长时的信息,含有更少的参数,根据获取的更多信息提取特征信息增加获取信息的有效性,提高了口语理解的精准率和F1,缩短了实验时间。在航空旅行信息数据库(ATIS)上的实验结果验证了该算法的有效性和可靠性。The improvement of Spoken Language Understanding(SLU)plays an important role in spoken dialogue system.Recurrent neural network and its variants are used to improve performance of SLU.The modified recurrent neural network algorithm is proposed to enhance the SLU,which adds the memory of longer historical information and has fewer parameters.This method can efficiently obtain feature information that not only improves the precision and F1 but also cut down experimental period.The experimental results on the ATIS corpus verify the effectiveness and reliability of the proposed algorithm.

关 键 词：循环神经网络(RNN) 长短时记忆网络(LSTM) 门限循环单元(GRU) 口语理解(SLU) 改进循环神经网络(M-RNN) 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]