對話機器人的智能應答，除可提供快速的客戶服務，亦可以幫助企業節省大量人力，所以提供這樣的服務也代表企業的一種競爭優勢。但其效能調校工作常需耗費時間及人力成本進行維護。我們希望可以提供一種生成式對話機器人，透過深度學習大量資料建立一種自然生成對話的模型。為了提高對話機器人的回覆準確率，我們在機器訓練過程中加入了詞性維度。藉由詞性，讓機器學習了解一個句子的結構及文法，在組成答句時，能夠更貼近人類的語言。 根據研究，生成式對話機器人多為序列對序列的深度學習模型。我們基於門控遞迴單元編碼器與解碼器組成序列對序列框架，再加入詞性，設計出四個新的詞性序列對序列。根據模型訓練後的評估結果，其中三種設計的模型都有高於基準序列對序列框架的效能表現，其中又以雙層詞性序列對序列模型的效能最為優越。 雙層詞性序列對序列的模型，經實驗多重驗證後，應可實作於業界的對話機器人的訓練上。提升的效能，除了可降低維護人力成本外；精準的回覆客戶問題，亦可增加客戶滿意度。 ;In this paper, I develop a deep learning model to build a chatbot. To improve the response accuracy of the chatbot, I added the parts-of-speech dimension in the model to make the machine can learn the structure and grammar of a sentence. This research is based on GRU Seq2Seq framework, adding parts-of-speech dimension and generate 4 new models for comparison. According to the evaluation results, the three models of the 1hPosSeq2Seq Model, CVPoSSeq2Seq Model, and 2LPoSSeq2Seq Model all have higher performance than the benchmark sequence-to-sequence framework. Among them, the performance of the LPoSSeq2Seq model is the most superior, with a performance improvement of 40.08 %.
