论文部分内容阅读
口语理解（SLU）性能的好坏对口语对话系统有着至关重要的作用。在对基本循环神经网络及其变体长短时记忆（LSTM）网络和门限循环单元（GRU）网络结构分析的基础上，提出一种特征融合的循环神经网络结构。该结构首先把输入送到隐含层训练得到特征表示；然后该特征信息与源输入及历史输出信息一起送入另一隐含层训练；最后送进输出层得出结果。对上述不同的循环神经网络的结构及提出的模型在ATIS数据库上进行口语理解实验。结果表明，提出的特征融合的循环神经网络结构的性能要优于传统循环神经网络及其变体结构。