nlu

数字智能时代，人们在选择手机时除了产品的性能需要强悍之外，更看中的就是人性和功能是否丰富，是否可以满足日常生活所需，是否可以为自己带来便捷，所以手机厂商在研发新品时开始转变思路，在保持产品创新的同时为广大消费者带来了人性化的功能，三星全新的Galaxy S10系列就是这样一款产品，该产品在性能、屏幕、相机、设计等方面都做了十足的尖端创新，再一次让我们进行检阅，重温科技的力量和温度。 首先我们来看看解锁方式，大家都清楚目前大多数厂商都采用了屏下指纹识别技术，不过均是光学指纹。而三星Galaxy S10和S10+采用的是超声波屏下指纹，可以让解锁更加便捷，通过超声波可读取3D指纹，提高手机的反欺骗能力，让用户得到更安全的操作体验，并且因为超声波穿透性强，不需要担心皮肤表面的水渍污渍影响识别率，还能湿手检测

这篇文章将简单介绍seq2seq模型+attention机制，以及在这个模型下，字符级逐字的输入和输出任务产生的句向量的特性。 许久未更博了，在前段时间测试了用seq2seq做ner任务，可以参考之前的文章《RNN的Seq2Seq模型做命名实体识别》 ，之后通过NER做NLU，再加上RL尝试多轮对话，结果达到了期望，但是还有很多工作需要去做，多轮语料采集、句子相似度、句向量，在多轮对话中，我没有尝试将每句话进行分类，我认为句子本身表意就非常清晰，标注反而画蛇添足，特别是上下文中的句子，其意思根据上下文而变化。那么对话中去匹配距离最近的句子，并且人为的反馈，可能是一个多轮对话的主要方式