پیوندهای مفید
آمار
| تعداد نشریات | 7 |
| تعداد شماره‌ها | 399 |
| تعداد مقالات | 5,389 |
| تعداد مشاهده مقاله | 5,287,993 |
| تعداد دریافت فایل اصل مقاله | 4,882,737 |
طراحی و ساخت یک مکانیزم گفت‌وگو مناسب روبو خیمه‌شب‌باز با قابلیت یادگیری عمیق | ||
| نشریه مهندسی مکانیک امیرکبیر | ||
| مقاله 1، دوره 55، شماره 8، آبان 1402، صفحه 919-942 اصل مقاله (1.98 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/mej.2023.22001.7553 | ||
| نویسندگان | ||
| مسعود امیرخانی؛ حامد شهبازی* | ||
| گروه مهندسی مکانیک، دانشگاه اصفهان، اصفهان، ایران | ||
| چکیده | ||
| هدف از این پژوهش، طراحی و ساخت یک مکانیزم گفت‌وگو بر مبنای متن‌کاوی و پردازش زبان طبیعی بر روی یک روبو خیمه‌شب‌باز با قابلیت یادگیری عمیق گفت‌وگو با رویکرد استدلال عمیق است. عروسک‌های خیمه‌شب‌باز یکی از قدیمی‌ترین عروسک‌ها در حوزه تعامل با مخاطبین است که به صورت مستقیم توسط یک گرداننده کنترل می‌شود. با توجه به پیشرفت‌های بیان‌شده در هوش مصنوعی و یادگیری عمیق، می‌توان شرایطی را فراهم کرد که وابستگی عروسک‌های خیمه‌شب‌باز به گرداننده کاهش یابد و با هوشمندی با مخاطبین ارتباط برقرار کند. این ربات، با تشخیص گفتار فارسی مخاطب، یک پاسخ مناسب برای پرسش تعیین می‌کند و به صورت صوتی و با زبان فارسی پخش می‌کند. اهمیت این موضوع در ایجاد مکانیزم گفت‌وگو مناسب است. این مکانیزم، یک الگوریتم یادگیری عمیق است که با تشخیص سوال مطرح‌شده توسط کاربر، یک مجموعه احتمالات از دسته‌بندی‌های قرارگرفته در مجموعه داده ربات ارائه می‌دهد و با در نظر گرفتن بالاترین احتمال، دسته موردنظر که پرسش کاربر در آن قرار می‌گیرد مشخص می‌شود و از بین پاسخ‌هایی که برای آن دسته سوال در نظر گرفته شده‌است، یک پاسخ به صورت تصادفی انتخاب می‌گردد. علاوه‌براین، مکانیزم گفت‌وگو روبو خیمه‌شب‌باز دارای چند بخش ساده شرطی است که می‌تواند به سوالات تکراری یا نامفهوم پاسخ مناسبی ارائه دهد. در نتایج حاصل از آموزش‌های مختلف با تغییر پارامترها در مدل یادگیری عمیق این ربات با مجموعه داده 64 کلاسی مشخص شد که استفاده از لایه‌های مزدحم با نرون‌های زیاد بهتر از چند لایه از آنها عمل می‌کند و میزان دقت آنها تاثیر زیادی در دقت نهایی مدل ندارد. | ||
| کلیدواژه‌ها | ||
| روبو خیمه شب باز؛ پردازش زبان طبیعی؛ هوش مصنوعی؛ یادگیری عمیق؛ شبکه عصبی؛ پاسخ هوشمند | ||
| عنوان مقاله [English] | ||
| Designing and building a dialogue mechanism suitable for RoboPuppet with using deep inference learning | ||
| نویسندگان [English] | ||
| Masoud Amirkhani؛ Hamed Shahbazi | ||
| Department of Mechanical Engineering, University of Isfahan, Isfahan, Iran | ||
| چکیده [English] | ||
| This research endeavors to construct a mechanism, blending text mining and natural language processing, to apply a deep learning dialogue and deep reasoning approach to "Puppet robot." Historically, tent dolls have been an ancient method of interacting with audiences, being directly managed by an operator. With breakthroughs in artificial intelligence and deep learning, it is now possible to reduce the dependence of tent dolls on operators, thereby enabling them to communicate intelligently with audiences. The robot, by identifying the audience's Persian speech, ascertains a fitting answer to their inquiries and broadcasts it in audible Persian. The dialogue mechanism, deeply ingrained in a deep learning algorithm, identifies the user's question and proffers a range of possible answers from the robot's dataset categories. Utilizing the highest probability, the category containing the user's question is identified, and responses to those questions are selected at random. Additionally, the Robo Tent Dialogue mechanism comprises several uncomplicated conditional sections that can furnish suitable responses to repetitive or inappropriate questions. Through diverse training and by altering parameters in the robot's deep learning model, using a 64-class dataset, results reveal that the application of technologically advanced, high-neuron layers outperforms multi-layers without detrimentally impacting the model's final accuracy. | ||
| کلیدواژه‌ها [English] | ||
| Puppet robot, artificial intelligence, deep learning, neural network, intelligent response | ||
|
سایر فایل های مرتبط با مقاله
|
||
| مراجع | ||
|
[1] A. Chowanda, A.D. Chowanda, Recurrent neural network to deep learn conversation in indonesian, Procedia computer science, 116 (2017) 579-586. [2] K. Karpagam, K. Madusudanan, A. Saradha, Deep learning approaches for answer selection in question answering system for conversation agents, ICTACT Journal on Soft Computing, 10(2) (2020) 2040-2044. [3] R. Yan, Y. Song, H. Wu, Learning to respond with deep neural networks for retrieval-based human-computer conversation system, in: Proceedings of the 39th International ACM SIGIR conference on Research and Development in Information Retrieval, 2016, pp. 55-64. [4] A. Engineered, Ameca The future face of robotics, in, Engineered Arts, (2022). [5] Y. Sharma, S. Gupta, Deep learning approaches for question answering system, Procedia computer science, 132 (2018) 785-794. [6] M. Tan, C. Dos Santos, B. Xiang, B. Zhou, Improved representation learning for question answer matching, in: Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), 2016, pp. 464-473. [7] C. Xiong, S. Merity, R. Socher, Dynamic memory networks for visual and textual question answering, in: International conference on machine learning, PMLR, 2016, pp. 2397-2406. [8] T. Minato, K. Sakai, T. Uchida, H. Ishiguro, A study of interactive robot architecture through the practical implementation of conversational android, Frontiers in Robotics and AI, 9, (2022) [9] A. Conneau, A. Baevski, R. Collobert, A. Mohamed, M. Auli, Unsupervised cross-lingual representation learning for speech recognition, arXiv preprint arXiv:2006.13979, (2020) [10] S.-H. Lee, Y.-E. Lee, S.-W. Lee, Toward imagined speech based smart communication system: potential applications on metaverse conditions, in: 2022 10th International Winter Conference on Brain-Computer Interface (BCI), IEEE, 2022, pp. 1-4. [11] P. Chang, S. Liu, K.D. Campbell, Robot Sound Interpretation: Learning Visual-Audio Representations for Voice-Controlled Robots, CoRR, (2021) [12] S. Hamed, puppeteer robot: Designing a construction of a new interactive game based on imitative learning of a humanoid robot from a human, in: The first national conference of computer games; Opportunities and challenges, 1394 (in Persian). [13] fastText, fastText: Library for efficient text classification and representation learning, in, Facebook. [14] H. Hemati, fastText Word Embedding: The Persian Approach to Text Embedding, (2018) [15] H. Hemati, fastText-Persian, in, Github, 2019. [16] S. Ayobi, PersianQA, in, Github, 2021. [17] A. Akhavan, Text Classification Emojify, in, Github, 1399. [18] J.C. Vasquez-Correa, J.C. Guerrero-Sierra, J.L. Pemberty-Tamayo, J.E. Jaramillo, A.F. Tejada-Castro, One system to rule them all: A universal intent recognition system for customer service chatbots, arXiv preprint arXiv:2112.08261, (2021) [19] J.J. Bird, A. Ekárt, D.R. Faria, Chatbot Interaction with Artificial Intelligence: human data augmentation with T5 and language transformer ensemble for text classification, Journal of Ambient Intelligence and Humanized Computing, 14(4) (2023) 3129-3144. [20] E.H. Almansor, F.K. Hussain, O.K. Hussain, Supervised ensemble sentiment-based framework to measure chatbot quality of services, Computing, 103 (2021) 491-507. | ||
|
آمار تعداد مشاهده مقاله: 257 تعداد دریافت فایل اصل مقاله: 447 |
||
