1. 研究目的与意义（文献综述）

随着人工智能的发展，最近几年出现了很多人工智能机器人，在各行各业中都有人工智能的应用，而人工智能的高速发展给我们的生活带来了很大的便利，随着生活质量的提升，人们开始研究用自然语言与计算机的交流，于是智能聊天系统便得到了广大的市场。智能聊天系统通过机器学习，学习自然语言然后来与人类进行对话，它不仅可以回答人类的问题，还可以与人类进行一些简单的对话。

对话系统，也称为交互式会话对象，虚拟代理，有时是聊天机器人，用于从技术支持服务到语言学习工具和娱乐的广泛应用。对话系统可以分为目标驱动系统，如技术支持服务，以及非目标驱动系统，如语言学习工具或计算机游戏角色。而智能对话系统就是无目标驱动系统，这种无目标驱动的对话系统就是开放式领域的智能聊天系统。

其实人工智能的历史已经有了60年，机器人也存在了数十年，但是20世纪90年代以前的聊天系统与用户的谈话仅仅基于谈话技巧和程序技巧，他们都是检索式聊天系统，就是他们的对话库中放着很多对话模板和句型，在当人们问到问题时在对话库中检索匹配的答案。但是这样的聊天系统有很大的缺陷，第一就是需要一个非常大的对话库，因为它在进行对话的时候是根据问题来对话库中找相应的答案，一个需要概括所有问题的对话库是相当庞大的，非常不容易建立。第二就是这样的对话系统缺乏语义分析能力，只是单纯的对问题寻找答案，缺乏对问题的思考，无法对上下文进行思考，就无法得出富有“情商”的回答，对话质量差强人意。因此我们要追求生成式的智能聊天系统，能够根据上下文来理解问题，然后给出富有人类“情商”的回答。

2. 研究的基本内容与方案

本文研究内容为基于深度学习的智能语音聊天系统的设计，学会通过google开源的编程系统tensorflow进行深度学习，来实现一个生成式的智能聊天系统，可以获取主题信息，根据上下文给出更好的回复。

智能语音聊天系统框架分为五个模块，分别为：1、输入预处理模块，2、自然语言理解模块，3、对话管理模块，4、答案生成模块，5、输出处理模块。总流程为: 首先用户输入文字或者语音信息，然后进行预处理，转化成机器语言进行自然语言理解，然后通过上下文进行对话管理，然后对当前对话模型提取答案，最后将生成的回复文本进行合成输出给用户。系统框图如下图（见附件）

输入预处理模块中，如果是文本输入，就直接将文本信息交给自然语言理解模块，如果是语音输入，就要讲语音信号转为文本信息交给自然语音理解模块。自然语言理解模块主要负责从完整的语句中提取出需要的信息，并且理解用户输入问句的语义，产生一个特定的语义表达式。还需要句法分析，词义消歧和相似度计算等。本系统使用基于lstm的encoder-decoder模型，encoder端和decoder端都是用lstm单元，其利用给定的对话历史信息（原句或者问题），生成一个最大可能性的响应信息（回复），并且加入attention机制提高模型生成效果。生成与训练词向量使用word embedding技术和它的训练工具word2vec，其中最重要的两个模型就是cbow模型和skip-gram模型。训练词向量方面首先获取语料库，然后使用分词工具对语料库进行分词，然后采用distributed representation分布式表达方法产生词向量。句法分析方面使用概率上下文无关法，词语消歧方面使用基于贝叶斯分类器方法消歧。生成式聊天系统使用encoder-decoder框架，学习从源语言到目标语言的关系。

3. 研究计划与安排

第1-4周：查阅相关中、英文文献资料，明确研究内容。确定设计方案，完成开题报告，完成不少于2万字符的英文翻译任务；

第5-6周：完成论文开题工作。

第7-10周：完成智能语音聊天系统的构建，并撰写部分论文初稿；

4. 参考文献（12篇以上）

[1]孙立茹,余华云,基于深度学习的生成式聊天机器人算法综述[j].电脑知识与技术,2018,23：227-228

[2]王浩畅，李斌等.聊天机器人系统研究进展[j].计算机应用与软件，2018,12:83-89

[3]程洁.智能聊天机器人：对话未来[j].科技经济导刊，2018,02:14-15