Сочинение на тему Популярность современных приложений обмена сообщениями
- Опубликовано: 09.10.2020
- Предмет: Информационная наука, Развлекательная программа
- Темы: Социальные сети, Текст сообщения, Цифровая эра
В настоящее время приложения для обмена мгновенными сообщениями, такие как Whatsapp, Instagram и т. д., становятся тенденцией в общении. Если Chatbots следует простоте приложения для обмена мгновенными сообщениями, оно будет действительно успешным. Система бронирования больниц представляет собой текстовое приложение, поэтому пользователь может легко взаимодействовать с ботом. Ниже приведены этапы построения системы:
- Создайте набор данных с диалогами человек-бот, чтобы записаться на прием к врачу.
- Создайте модель глубокого обучения и обучите модель с помощью набора данных
- Создайте простую систему чата в реальном времени и интегрируйте модель в новую систему чата.
Генерация набора данных
Наборы данных генерируются с использованием функции random () на языке Python. Различные шаблоны для одного и того же значения перечислены вместе, например, «Вы можете записаться на прием», «Я хочу назначить встречу», «Я хотел бы записаться на прием», «Могу ли я назначить встречу», и каждая фраза случайным образом выбран с помощью функции random (). Разговор основан на таких фактах, как специализация, имя врача, день встречи и профиль пациента, которые содержат такие особенности, как пол и возраст пациента. Пример базы знаний предлагаемой системы приведен в таблице 3.1. На основании фактов, предоставленных пользователем, будет выполнен вызов API с этими спецификациями и будет создан номер токена. Пользователь может изменять функции по своему желанию. Вызовы API также обновляются в соответствии с изменениями в спецификациях. Исходя из этой информации, набор из тысячи образцов генерируется как набор обучающих данных, еще тысяча – как набор тестовых данных и, наконец, тысячи – как набор данных для проверки. Эти три являются взаимоисключающими наборами данных. При подборе модели набор данных поезда может давать более высокую точность в каждую эпоху, что свидетельствует о переоснащении. Таким образом, набор данных проверки может быть использован для регуляризации путем ранней остановки.
Построить модель глубокого обучения
Для построения системы используются два варианта сетей памяти: сквозные сети памяти и закрытые сквозные сети памяти. Обе модели похожи по архитектуре, за исключением обновления памяти. Архитектура может быть разделена на четыре модуля: модуль ввода, модуль вопросов, модуль памяти и модуль ответов.
Модуль ввода
Каждый разговор состоит из высказывания пользователя и ответа бота. Здесь матрица вложения A используется для встраивания предложения в непрерывное пространство и получения векторного представления. Таким образом, в момент времени t предыдущее высказывание пользователя (c_1 ^ u,…, c_ (t-1) ^ u) и ответы от бота (c_1 ^ r,… c_ (t-1) ^ r) добавляются в память , m = (AΦ (c_1 ^ u), AΦ (c_1 ^ r),…, AΦ (c_ (t-1) ^ u), AΦ (c_ (t-1) ^ r)), где Φ (.) представляет собой функция отображения, которая отображает каждое высказывание в пакет с объемными словарями V и A, который является матрицей встраивания.
Модуль вопросов
Последнее пользовательское высказывание c_t ^ u также внедряется с использованием той же матрицы A давая q = AΦ (c_t ^ u), которая действует как начальное состояние контроллера.
Модуль памяти
Модуль памяти выполняет механизм внимания над памятью, чтобы найти существенные части предыдущего диалога, которые имеют отношение к получению ответа. Контроллер, который определен в вопросном модуле, будет выполнять процесс внимания. Мах между пользовательским высказыванием q и памятью m, уже определенной в модуле ввода, вычисляется путем взятия внутреннего произведения, за которым следует softmax: p_i = Softmax (u ^ T m_i), где p_i – вектор вероятности в памяти. Выход модуля памяти представлен суммой по представлению входного предложения, взвешенной вектором вероятности совпадения: o = R∑_i▒p_i m_i, где R – квадратная матрица d × d. Этот тип механизма внимания известен как механизм мягкого внимания, потому что он легко вычисляет градиенты и распространяется обратно через эту функцию.
Модуль ответа
Наконец, модуль ответов генерирует ответы на вопросы. Состояние контроллера обновляется различными способами для сетей сквозной памяти и закрытых сетей сквозной памяти. В сквозных сетях памяти состояние контроллера обновляется как q_2 = o + q. Но в закрытых сквозных сетях памяти состояние контроллера обновляется как q_2 = o⨀T (q) + q⨀ (1-T (q)) и T (q) = σ (W_T q + b_T), где W_T и b_T – это матрица параметров конкретного скачка и член смещения для конкретного скачка, а T – логический элемент преобразования для того же скачка. Шлюз преобразования определяет, сколько информации он преобразует со входа на следующий уровень. Память может быть итеративно перечитана для поиска более релевантной информации, используя контроллер для k прыжков. В нашем эксперименте мы использовали 3 хмеля. Окончательный прогноз определяется как Soft = Softmax (〖q_ (k + 1)〗 ^ T WΦ (y_1),… 〖q_ (k + 1)〗 ^ T WΦ (y_C)), где есть ответы C-кандидатов в y и W имеет размерность d × V. Вся модель обучается с использованием Adam Optimizer, сводя к минимуму стандартную кросс-энтропийную потерю между прогнозируемым значением a ̂ и фактическим значением a.
Люди больше не будут пользоваться социальными сетями. Этот вопрос большой. Тем более, что большая часть социальных сетей, очевидно, является социальной. Часто люди встречаются, потому что
Когда я впервые присоединился к DA, меня немного смутило, как сделать блог, который бы выглядел красиво. Первым блогом, который я когда-либо делал, который сейчас удален,
Информационные и коммуникационные технологии играют важную роль в продвижении преподавательской и учебной деятельности. Социальные медиа играют жизненно важную роль в предоставлении информации и проблем мгновенно.