原创力文档- 1、本文档共5页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
Vol.52No.3计算机与数字工程总第413期
786ComputerDigitalEngineering第52卷
2024年第3期
多模型融合进行智能机器人的文本分类研究∗
周宇杨国平
（上海工程技术大学机械与汽车工程学院上海201620）
摘要现阶段智能机器人的应用越来越广泛，许多电商商城都会配备智能机器人辅助来减少人工客服的工作量，同
时也能省下来客户的大部分时间，针对智能机器人收到指令后意图识别不准确的问题，提出将RNN与BILSTM融合的深度
学习模型。首先将文本进行处理过后，经过嵌入层转换为词向量，先经过RNN层，再将循环神经网络输出的结果输入BIL⁃
STM中，得到的结果在经过线性层后通过Softmax函数进行分类，最终经过多组实验验证并进行比对，实验结果表明，使用
RNN-BILSTM融合模型相比较于单一的深度学习模型分别在召回率、精确率、准确率以及F1-Score上面提升了4.31%，
3.64%、3.6%、1.5%，证明了模型融合在对机器人进行意图识别文本分类任务上的合理性以及有效性。
关键词模型融合；文本分类；意图识别；RNN-BILSTM
中图分类号TP242.6DOI：10.3969/j.issn.1672-9722.2024.03.026
Multi-modelFusionforTextClassificationResearchof
IntelligentRobots
ZHOUYuYANGGuoping
（SchoolofMechanicalandAutomotiveEngineering，ShanghaiUniversityofEngineeringScience，Shanghai201620）
AbstractAtpresent，theapplicationofintelligentrobotbecomesmoreandmorewidely，manycommercialmallsare
equippedwithintelligentrobotstoreduceartificialcustomerservicework，italsocansavemostofthetimeforcustomers，forintelli⁃
gentrobotreceivedinstructionintentionrecognitioninaccurateproblem，deeplearningmodelcombinedwithRNNandBILSTMis
proposed.Firstofall，thetextisprocessed，aftertheembeddinglayerisconvertedintowordvector，itfirstpassesthroughtheRNN
layer，andthentheoutputresultsofthecyclicneuralnetworkareinputintotheBILSTM.Afterpassingthroughthelinearlayer，the
obtainedresultsareclassifiedbytheSoftmaxfunction.Finally，aftertheverificationandcomparisonofseveralgroupsofexperi⁃
ments，theexperimentalresultsshowthatcomparedwiththesingledeeplearningmodel，therecallrate，precisionrateand
F1-scoreofthefusionmodelusingRNN-BILSTMarerespectivelyincreasedby4.31%，3.64%，3.6%and1.5%.Itisprov
文档评论（0）