基于词向量与SVM的移动机器人自然语言导航指令识别

doi:10.3969/j.issn.1006-2475.2017.09.005

计算机与现代化

基于词向量与SVM的移动机器人自然语言导航指令识别

1.中南大学机电工程学院,湖南长沙 410083； 2.高性能复杂制造国家重点实验室,湖南长沙 410083

收稿日期:2017-02-22 出版日期:2017-09-20 发布日期:2017-09-19
作者简介:王思远(1992-),男,四川巴中人,中南大学机电工程学院硕士研究生,研究方向:智能机器人,自然语言处理; 王恒升(1963-),男,陕西合阳人,教授，博士生导师,博士,研究方向:智能机器人,自然语言处理; 刘通(1994-),男,江苏徐州人,硕士研究生，研究方向:智能机器人,自然语言处理。
基金资助:
国家重点基础研究发展计划项目(2013CB035504)；中南大学硕士生自主探索创新项目(2016zzts299)

Recognition of Mobile Robot Natural Language Navigation Instructions Based on Word Embedding and SVM

1. College of Mechanical & Electrical Engineering, Central South University, Changsha 410083, China;

2. State Key Laboratory of High Performance Complex Manufacturing, Changsha 410083, China

Received:2017-02-22 Online:2017-09-20 Published:2017-09-19

摘要/Abstract

摘要： 针对基于自然语言指令的移动机器人导航控制中导航指令识别这一问题，尝试以词向量和支持向量机(SVM)相结合的方式解决。利用Skip-gram训练具有导航特性的语言模型。将语言模型生成的词向量利用Skip-gram模型的加法组合运算特性进行特征融合生成特征向量，特征向量作为SVM模型的特征输入，完成自然语言的导航指令识别任务。本文方法克服了人工定义SVM模型的特征向量繁琐及覆盖不全的问题。实验结果表明，本文方法具有较好的分类效果，平均F1值提高了2%。

关键词: 词向量, 支持向量机, 自然语言处理, 移动机器人导航

Abstract: A method based on word embedding and support vector machine (SVM) for the commands recognition of mobile robots navigation is proposed as a solution for the mobile robots navigation by natural language instructions. A language model with navigation features is trained by Skip-gram model. Feature vector is generated by word embedding and the additive combinatorial operation characteristics of Skip-gram model. Feature vector is used as the feature input of SVM to complete the task of the navigation command distinction. The method overcomes the problem that the artificial definition feature vector of SVM model is complicated and incomplete. Experiments show that this method has a good classification result and improves the average F1-measure by 2%.


Key words: word embedding, support vector machine (SVM), natural language processing, mobile robots navigation

中图分类号:

TP391.1

王思远1,王恒升1,2,刘通1. 基于词向量与SVM的移动机器人自然语言导航指令识别[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2017.09.005.

WANG Si-yuan1, WANG Heng-sheng1,2, LIU Tong1. Recognition of Mobile Robot Natural Language Navigation Instructions Based on Word Embedding and SVM[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2017.09.005.

参考文献

［1］ Wang Hengsheng, Ren Jin, Li Xiyin. Natural spoken instructions understanding for rescue robot navigation based on cascaded conditional random fields［C］// The 9th International Conference on Human System Interactions(HSI). 2016:216-222.
［2］李瀚清,房宁,赵群飞,等. 利用深度去噪自编码器深度学习的指令意图理解方法［J］. 上海交通大学学报, 2016,50(7):1102-1107.
［3］袁树明. 基于自然语言理解的车辆行驶指令抽取［D］. 北京:北京邮电大学, 2013.
［4］ Yuan Shuming, Wang Xiaojie. Research on automatic semantic classification of human-interaction instructions［C］// IEEE International Conference on Cloud Computing and Intelligent Systems. 2012:1414-1419.
［5］高胜男,孔令富,吴培良. 面向室内智能机器人的中文服务指令自主处理方法［J］. 机器人, 2015(4):424-434.
［6］ Hinton G E. Learning distributed representations of concepts［C］// Proceedings of the 8th Annual Conference of the Cognitive Science Society. 1986:1-12.
［7］ Xu Wei, Rudnicky A I. Can artificial neural networks learn language models?［C］// Proceedings of International Conference on Speech and Language Processing. 2000:202-205.
［8］ Bengio Y, Schwenk H, Senécal J S, et al. Neural probabilistic language models［J］. Journal of Machine Learning Research, 2003,3(6):1137-1155.〖JY〗〖HT5”K〗(下转第55页)〖HT〗〖ZK)〗〖FL)〗
［9］ Mnih A, Hinton G. A scalable hierarchical distributed language model［C］// Proceedings of the 21st International Conference on Neural Information Processing Systems. 2008:1081-1088.
［10］ Mikolov T, Sutskever I, Chen K, et al. Distributed representations of words and phrases and their compositionality［J］. Advances in Neural Information Processing Systems, 2013,26:3111-3119.
［11］ Mikolov T, Chen K, Corrado G, et al. Efficient estimation of word representations in vector space［J］. Eprint Arxiv, 2013, arXiv:1301.3781.
［12］ Socher R, Pennington J, Huang E H, et al. Semi-supervised recursive autoencoders for predicting sentiment distributions［C］// Proceedings of the Conference on Empirical Methods in Natural Language Processing. 2011:151-161.
［13］ Johnson R, Zhang Tong. Effective use of word order for text categorization with convolutional neural networks［J］. Eprint Arxiv, 2014, arXiv:1412.1058.
［14］ Lai Siwei, Liu Kang, Xu Liheng, et al. How to generate a good word embedding［J］. Intelligent Systems IEEE, 2016,3(2):1.
［15］ Morin F, Bengio Y. Hierarchical probabilistic neural network language model［C］// Proceedings of the 10th International Workshop on Artificial Intelligence and Statistics. 2005:246-252.
［16］ Sergienya I, Schütze H. Distributional models and deep learning embeddings: Combining the best of both worlds［J］. Eprint Arxiv, 2013, arXiv:1312.5559.
［17］ Bottou L. Stochastic gradient learning in neural networks［C］// Proceedings of Neuro-Nimes. 1991.
［18］ Cohen W W, Schapire R E, Singer Y. Learning to order things［J］. Journal of Artificial Intelligence Research, 2011,10(1):243-270.
［19］张宁. 基于语义的中文文本预处理研究［D］. 西安:西安电子科技大学, 2011.
［20］ Cortes C, Vapnik V. Support vector machine［J］. Machine Learning, 1995,20(3):273-297.

[1]	杨博, 庄毅. 基于AOA-MSVM的控制集群故障检测方法[J]. 计算机与现代化, 2023, 0(12): 112-116.
[2]	杨孙哲, 孙爱珍. 基于HSV颜色与LBP纹理特征的水稻氮素营养诊断[J]. 计算机与现代化, 2023, 0(07): 86-92.
[3]	申志, 李元 . 基于KPCA和SSA优化SVM的非线性过程故障检测#br#[J]. 计算机与现代化, 2023, 0(06): 15-20.
[4]	尹建丰, 卫鑫, 顾雄伟, 黄凯, 魏敏捷. 基于图像阈值优化及改进SVM的电表数字识别[J]. 计算机与现代化, 2023, 0(05): 106-110.
[5]	王浩畅, 刘如意. 基于预训练模型的关系抽取研究综述[J]. 计算机与现代化, 2023, 0(01): 49-57.
[6]	周慧, 徐名海, 许晓东. 基于Attention-BIGRU-CRF的中文分词模型[J]. 计算机与现代化, 2022, 0(08): 7-12.
[7]	赵延平, 王芳, 夏杨. 基于支持向量机的短文本分类方法[J]. 计算机与现代化, 2022, 0(02): 92-96.
[8]	赵聪慧, 冯庆胜. 基于DT-CWT和SVM的踏面旋转不变纹理提取算法[J]. 计算机与现代化, 2021, 0(12): 85-90.
[9]	王天星, 袁家斌, 刘昕. 基于同等注意力图网络的视觉问答方法[J]. 计算机与现代化, 2021, 0(11): 1-6.
[10]	郑新月, 任俊超. 基于BERT-FNN的意图识别分类[J]. 计算机与现代化, 2021, 0(07): 71-76.
[11]	陈翔, 邹庆年, 谢绍宇, 陈翠琼. 基于迁移学习策略的压板开关状态识别[J]. 计算机与现代化, 2021, 0(05): 120-126.
[12]	高逸凡, 王勇. 一种基于目标检测与词性分析的图像描述算法[J]. 计算机与现代化, 2021, 0(03): 108-114.
[13]	王文蔚, 肖军弼, 程鹏, 张悦. 基于SDN的DDoS攻击防御系统[J]. 计算机与现代化, 2021, 0(02): 117-121.
[14]	张文华，张志俊. 基于SVM的新能源公交车运营里程核查方法[J]. 计算机与现代化, 2020, 0(05): 39-.
[15]	郑沫利1,赵艳轲1,闫敏2,孙俊2,刘雍容1. 基于RDPSO-SVM的粮食产后储藏环节损耗智能评估方法[J]. 计算机与现代化, 2020, 0(03): 72-.

基于词向量与SVM的移动机器人自然语言导航指令识别

Recognition of Mobile Robot Natural Language Navigation Instructions Based on Word Embedding and SVM

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价