自然语言处理（微课版）教案 魏巍 第5-9章 情感分析-对话系统

情感分析参考学时4学时（建议分2次课完成，每次2学时）教学目标（能力要求）通过本章学习，使学生系统掌握情感分析的基本概念、典型任务形式以及主流建模方法，理解深度学习与预训练模型在情感分析任务中的核心作用，具备分析和实现基础情感分析系统的能力。具体包括：学生能够准确理解情感分析（OpinionMining）的基本定义，区分文档级、句子级和方面级情感分析任务；学生能够列举情感分析中的常见子任务（情感分类、方面抽取、观点摘要），并说明其研究目标与应用场景；学生能够理解注意力机制的基本思想、通用计算框架及其在情感分析中的作用；学生能够掌握图神经网络（GNN）的基本概念，理解基于句法结构和语义关系的情感分析建模思路；学生能够了解典型预训练情感分析模型（SentiWSP、SpanASTE、DualGCN）的设计动机与核心思想；学生能够结合案例，理解情感分析模型从数据处理、模型构建到训练与评估的完整流程。教学重点和难点教学重点：方面级情感分析的任务定义与挑战；注意力机制在情感信息建模中的作用；图神经网络在建模方面词与观点词关系中的优势；预训练模型在情感分析任务中的迁移与增强效果。教学难点：方面级情感分析中“目标—方面—情感”关系的精细建模；基于依赖句法图与语义图的双通道建模思想；端到端情感结构抽取模型（如SpanASTE）的整体建模逻辑；理论模型设计与工程实现之间的对应关系。教学主要内容（一）情感分析引言（约60分钟）情感分析的基本概念情感分析（OpinionMining）的定义与研究背景文档级、句子级与方面级情感分析的区别与联系示例分析：“这家餐馆的服务很好，但环境有些差”情感分析的常见子任务情感分类方面抽取观点摘要情感分类方法概述基于情感词典的无监督方法基于传统监督学习的方法（朴素贝叶斯、SVM）基于深度学习的方法方面抽取方法概述基于词频与词性的方法基于句法依存关系的方法基于序列标注的监督学习方法（如HMM）观点摘要任务任务定义与子任务划分有监督与无监督观点摘要方法个性化观点摘要的研究趋势（二）基于注意力机制的情感分析（约40分钟）注意力机制的基本思想人类注意力机制的启发信息选择与资源分配的核心思想通用注意力机制框架Query、Key、Value的基本定义注意力权重计算与加权表示注意力机制的分类软注意力（SoftAttention）强注意力（HardAttention）强注意力的训练难点与强化学习方法简介注意力机制在情感分析中的应用对情感关键词的自动聚焦对方面相关上下文的动态建模（三）基于图神经网络的情感分析（约40分钟）图与图神经网络基础图结构的基本概念（节点、边、邻接矩阵）图神经网络（GNN）的基本思想图结构在不同任务中的表示图像中的像素图建模文本中的词图建模社交关系、分子结构等示例图神经网络在情感分析中的作用建模方面词与观点词之间的依赖关系融合句法结构与语义信息（四）预训练情感分析模型（约40分钟）SentiWSP模型词级与句级情感感知预训练任务基于情感词的掩码与对比学习思想SpanASTE模型情感三元组抽取任务定义基于跨度（Span）的端到端建模方法模型整体结构与模块划分DualGCN模型句法GCN与语义GCN的双通道设计双仿射模块与正则化机制对依赖解析噪声的鲁棒建模（五）案例：基于MindSpore的情感分析实现（约40分钟）任务与数据集说明（IMDB影评情感分类）模型结构设计（以LSTM为例）训练流程参数配置损失函数与优化器模型训练与CheckPoint保存模型评估准确率评估流程实验结果分析教学过程与方法（一）情感分析引言与任务划分（约60分钟）教学过程：情境导入（10分钟）

教师从学生日常熟悉的应用场景入手，如电商评论、电影评分、社交媒体观点等，引导学生思考：“计算机如何判断一段文本是正面还是负面？”“当一句话中同时包含正负评价时，模型应如何处理？”核心概念讲解（20分钟）

系统讲解情感分析的基本定义，重点区分：文档级情感分析句子级情感分析方面级情感分析教师通过对比式讲解，引导学生认识到：方面级情感分析是对前两类任务的细粒度扩展，也是后续复杂模型设计的核心出发点。子任务拆解与方法演进（20分钟）

围绕情感分析三类核心子任务：情感分类方面抽取观点摘要依次讲解其任务目标、典型方法及各自的局限性，重点强调：传统方法在低频方面词、复杂句式下的不足；深度学习方法对上下文语义建模能力的优势。课堂小结与过渡（10分钟）

教师引导学生总结：为什么需要引入注意力机制？为什么仅靠序列模型不足以解决方面级情感分析问题？为后续章节自然过渡。（二）基于注意力机制的情感分析（约40分钟）教学过程：直观动机引入（10分钟）

教师从“人类阅读文本时的注意力分配”入手，引导学生理解注意力机制的本质思想，即：不是对所有信息一视同仁；而是对关键信息赋予更高权重。通用注意力机制框架讲解（15分钟）

结合PPT中的结构图，详细讲解：Query、Key、Value的含义；注意力权重的计算过程；加权求和形成上下文表示的原理。（三）基于图神经网络的情感分析（约40分钟）教学过程：图结构建模动机引入（10分钟）

教师引导学生思考：文本是否只能建模为序列？句法关系是否可以显式表示？图与图神经网络基础讲解（15分钟）

系统介绍：图的基本构成（节点、边、邻接关系）；图神经网络的信息传播机制。图神经网络在情感分析中的应用（10分钟）

重点说明：GNN如何聚合邻居节点信息；相比序列模型的优势与局限。（四）预训练情感分析模型讲解（约40分钟）教学过程：预训练思想回顾（5分钟）

简要回顾预训练模型在NLP中的作用，引出“情感感知预训练”的必要性。典型模型逐一解析（25分钟）SentiWSP：重点讲解情感词感知的预训练任务设计；SpanASTE：重点讲解跨度建模与端到端抽取思想；DualGCN：重点讲解句法图与语义图的双通道融合。模型设计思想总结（10分钟）

教师引导学生从“设计动机”角度理解模型：解决了什么问题；相比已有方法改进在哪里。（五）MindSpore情感分析案例教学（约40分钟）教学过程：任务说明与整体流程梳理（10分钟）

介绍IMDB情感分类任务及整体实验流程。模型结构与关键代码讲解（15分钟）

结合代码结构说明：词嵌入层LSTM编码器分类器设计训练与评估流程解析（10分钟）

重点讲解：损失函数选择原因；训练参数配置逻辑；模型评估指标含义。总结与拓展（5分钟）

引导学生思考如何将该流程扩展到方面级情感分析任务。信息抽取参考学时6学时。教学目标（能力要求）命名实体识别：掌握命名实体识别的基本概念与方法，能区分不同类型的命名实体（如人名、地名、组织机构名等），并能利用规则、词典和机器学习模型进行实体标注。隐马尔可夫模型：理解隐马尔可夫模型的基础理论及其在序列标注任务中的应用，能够构建简单的HMM模型用于命名实体识别或词性标注任务。条件随机场：掌握条件随机场（CRF）的基本原理及其在序列标注中的优势，能够设计和训练CRF模型以提高命名实体识别的准确性。实体链接：了解实体链接的任务定义和技术挑战，包括实体消歧和实体对齐。能够利用图数据库或知识图谱技术将识别出的命名实体链接到特定的知识库条目上，并能评估链接结果的质量。联合实体识别与消歧：掌握如何同时进行实体识别和消歧的方法，理解多任务学习框架下的联合模型设计原则。关系抽取：熟悉关系抽取的概念、类型及其应用场景，能够使用监督学习、远程监督等方法从非结构化文本中提取实体间的关系信息。事件抽取：理解事件抽取的目标是从文本中自动发现和提取结构化的事件信息，包括触发词、论元角色等。能够采用序列标注、分类等多种方法实现事件抽取任务，并能评价所提方法的有效性和鲁棒性。预训练信息抽取模型：了解预训练模型在信息抽取领域的最新进展，掌握BERT、RoBERTa等预训练语言模型的微调策略及其在命名实体识别、关系抽取等任务上的应用。教学重点和难点教学重点：隐马尔可夫模型的基础理论及其在序列标注任务中的应用。教学难点：隐马尔可夫模型、多任务学习框架下的联合模型教学主要内容命名实体识别（20分钟）任务简介基于规则的NER模型基于传统机器学习的NER模型基于预训练的NER模型实体链接（100分钟）通用架构（30分钟）候选实体生成与排序（20分钟）研究方向（50分钟）联合实体识别与消歧（15分钟）零样本实体链接（15分钟）零样本实体链接——挑战（20分钟）关系抽取（120分钟）基于规则的方法（20分钟）基于统计的方法（20分钟）基于神经网络的方法（20分钟）弱监督关系抽取（20分钟）小样本关系抽取（20分钟）开放域关系抽取（20分钟）事件抽取（35分钟）事件检测（27分钟）融合基于RNN的句子表示的事件检测模型（8分钟）小样本信息抽取（45分钟）引言（7分钟）基于元学习的小样本信息抽取（38分钟）预训练信息抽取模型（45分钟）UIE模型结构（30分钟）统一建模结构（12分钟）数据预训练（3分钟）教学过程与方法命名实体识别（20分钟）任务简介系统讲解命名实体识别任务基于规则的NER模型系统讲解基于规则的NER模型基于传统机器学习的NER模型系统讲解基于传统机器学习的NER模型基于预训练的NER模型系统讲解基于预训练的NER模型实体链接（100分钟）通用架构（30分钟）系统讲解实体链接通用架构，引导学生关注其底层逻辑实现候选实体生成与排序（20分钟）深入剖析候选实体生成与排序在实体链接中的作用研究方向（50分钟）联合实体识别与消歧（15分钟）系统讲解联合实体识别与消歧的通用建模架构，引导学生关注其底层逻辑实现，包括指称项边界检测、候选实体生成、上下文-知识联合表征以及全局一致性约束等模块的协同机制。零样本实体链接（15分钟）系统讲解零样本实体链接的通用推理架构，重点剖析如何利用实体描述、类型和结构化属性构建可泛化的语义表示。零样本实体链接——挑战（20分钟）系统讲解零样本实体链接面临的核心挑战及其系统性成因，引导学生关注其底层逻辑瓶颈，进而理解当前研究在动态知识注入、大模型增强推理与高效检索机制等方面的应对思路关系抽取（120分钟）基于规则的方法（20分钟）引导学生关注其底层逻辑实现，包括人工设计的句法模式（如依存路径模板、关键词触发规则）、模式匹配引擎的执行流程，以及规则系统在精度与泛化能力之间的根本性权衡。基于统计的方法（20分钟）系统讲解基于统计的关系抽取方法通用架构，引导学生关注其底层逻辑实现，涵盖特征工程（词性、命名实体、依存关系等离散特征）、分类器选型（如SVM、最大熵模型）以及特征-标签联合建模中的概率推断机制，理解从局部上下文到关系判别的映射逻辑。基于神经网络的方法（20分钟）包括词嵌入与位置编码的融合策略、上下文编码器（CNN/RNN/Transformer）对语义关系的捕获机制、池化与分类头的设计原理，以及训练中梯度如何驱动关系语义的隐式学习。弱监督关系抽取（20分钟）重点剖析远程监督（DistantSupervision）假设下的噪声标签生成机制、多示例学习（MIL）框架中的包级表示与注意力降噪策略，以及如何通过软标签校正提升模型鲁棒性。小样本关系抽取（20分钟）系统讲解小样本关系抽取的通用学习架构，引导学生关注其底层逻辑实现，包括原型网络、匹配网络等元学习框架如何构建关系类别的可迁移语义原型。开放域关系抽取（20分钟）涵盖无预定义关系集合下的关系聚类、关系描述生成、开放关系模板挖掘等核心环节，理解如何结合无监督表示学习与语义相似度度量实现关系类型的动态发现与归纳。事件抽取（35分钟）系统讲解事件抽取的通用任务框架与技术体系，引导学生关注其底层逻辑实现，包括事件触发词识别、事件类型分类、论元角色标注及事件要素整合等核心子任务的耦合关系；重点剖析流水线式与联合建模范式的优劣，理解事件本体对模型设计的约束作用。事件检测（27分钟）系统讲解事件检测的通用建模架构（27分钟），引导学生关注其底层逻辑实现，涵盖触发词候选生成、上下文语义编码、类型分类打分三大模块。深入分析基于特征工程的传统方法与神经网络方法在表示能力上的本质差异，强调位置编码、实体信息注入、多粒度上下文融合对检测性能的关键影响，并结合错误案例讨论歧义触发词的消解策略。融合基于RNN的句子表示的事件检测模型（8分钟）系统讲解融合基于RNN的句子表示的事件检测模型，引导学生关注其底层逻辑实现，具体包括：利用双向LSTM对词序列进行上下文感知编码，通过注意力机制或最大池化聚合句子级表示，再结合触发词位置特征输入全连接层进行事件类型预测。小样本信息抽取（45分钟）引言（7分钟）基于优化的元学习：通过双层优化使模型在少量梯度更新后快速适配新任务，剖析内循环与外循环的梯度传播路径。基于元学习的小样本信息抽取（38分钟）原型网络：通过支持集中同类样本的嵌入均值构建“关系/实体原型”，以余弦相似度实现查询样本分类，强调嵌入空间的语义可分性设计；匹配网络：引入注意力机制计算查询样本与支持样本的加权匹配得分，解析外部存储器与注意力读取的实现细节。预训练信息抽取模型（45分钟）UIE模型结构（30分钟）UIE采用生成式统一框架，将NER、关系抽取、事件抽取等任务转化为“结构化文本生成”问题。统一建模结构（12分钟）引导学生关注其底层逻辑实现：传统信息抽取系统需为每类任务定制模型，而UIE通过任务无关的生成目标与共享参数实现“一个模型解决所有子任务”。数据预训练（3分钟）通过大规模合成数据进行预训练，使模型隐式学习“输入文本→结构化输出”的映射规律。机器阅读理解参考学时4学时。教学目标（能力要求）理解机器阅读理解任务：能准确描述抽取式问答的任务形式，即给定篇章和问题，从原文中定位答案片段；能区分不同任务类型（如单跳/多跳、是否可回答），并说明评价指标的计算逻辑及其对模型性能的反映机制。掌握双向注意力流模型：能阐述其三层核心结构的设计原理；能解释“上下文到问题”与“问题到上下文”双方向注意力的计算流程，并分析该机制如何缓解传统注意力的信息压缩损失，保留原始上下文的时序细节。掌握R网络模型：能说明其基于门控注意力机制的问题感知上下文表示方法；能描述自匹配注意力模块如何利用问题信息增强上下文表征，并能推导指针网络用于答案起止位置预测的输出层结构。理解阅读验证模型：能指出其在初步答案生成后引入二次验证模块的必要性；能说明验证器如何结合原始篇章、问题与候选答案进行一致性判断，通过重打分或二分类机制过滤不可靠答案，提升系统鲁棒性。掌握回溯式阅读模型：能描述其“初读—推理—回溯校验”的多轮交互机制；能分析模型如何通过迭代更新注意力分布或答案表示，在复杂推理（如多跳、对比、否定）场景中修正初始错误。掌握预训练机器阅读理解模型：能说明如何预训练语言模型适配至阅读理解任务，包括输入格式构造、答案边界预测头的设计；能分析预训练带来的上下文敏感表示优势，并能对比微调策略在基准数据集上的性能差异。教学重点和难点教学重点：双向注意力流模型三层核心结构。教学难点：预训练语言模型适配至阅读理解任务。教学主要内容机器阅读理解任务（60分钟）形式化表达基于RNN和交互表示的框架基于预训练模型编码双向注意力流模型（60分钟）字符嵌入层词嵌入层上下文嵌入层注意力流层与建模层R-Net网络（60分钟）基于注意力的门控循环网络基于门控注意力机制的循环网络阅读验证模型（30分钟）顺序架构交互式架构混合架构回溯式阅读模型（30分钟）外部前置验证模块内部前置验证模块后置验证模块教学过程与方法机器阅读理解任务（60分钟）系统介绍机器阅读理解任务的形式化表达通用框架，引导学生关注其逻辑实现。形式化表达包括问题-篇章对的输入建模、答案跨度的数学定义、以及基于概率分布的答案起止位置预测机制。基于RNN和交互表示的框架介绍对问题与篇章的独立编码、注意力机制构建问题感知的上下文表示、以及融合层对多源信息的整合策略。基于预训练模型编码系统讲解基于预训练模型编码的机器阅读理解通用范式，引导学生关注其底层逻辑实现。重点分析如何将问题与篇章拼接为单一序列输入Transformer编码器。双向注意力流模型（60分钟）字符嵌入层包括字符级卷积与最大池化提取形态特征，并分析其与词向量的融合方式。词嵌入层涵盖预训练词向量的加载与微调策略，以及精确匹配特征如何增强词级别对齐信号。上下文嵌入层引导学生关注其底层逻辑实现，即通过双向LSTM对融合后的词表示进行上下文敏感编码，保留原始时序信息，为后续注意力交互提供丰富语境。注意力流层与建模层通过“问题到上下文”与“上下文到问题”双方向注意力计算稠密交互矩阵利用双向LSTM对增强后的上下文向量进行高层推理，最终输出用于答案预测的向量序列。R-Net网络（60分钟）基于注意力的门控循环网络系统讲解R-Net中基于注意力的门控循环网络通用结构，引导学生关注其底层逻辑实现，包括如何利用问题注意力权重动态聚合问题表示，并通过门控机制控制信息流入循环单元，实现问题引导的上下文编码。基于门控注意力机制的循环网络通过自匹配注意力使上下文表示回溯自身以强化关键信息，再经门控循环网络进行多轮精炼，最终由指针网络解码答案起止位置，形成端到端可训练的抽取式问答流水线。阅读验证模型（30分钟）简要介绍阅读验证模型整体架构。顺序架构先由主阅读器生成候选答案，再由独立验证器按固定流程评估其可信度，理解串行结构带来的错误传播风险与计算开销。交互式架构包括验证模块与阅读模块的多轮信息交换（如交叉注意力）、联合优化目标设计，以及如何通过动态反馈提升答案一致性。混合架构融合顺序与交互思想，在初步预测后引入轻量级交互验证，平衡效率与精度，典型如集成重排序与置信度校准模块。回溯式阅读模型（30分钟）外部前置验证模块引导学生关注其底层逻辑实现，即在主阅读器运行前引入外部知识或规则过滤不可回答问题，减少无效推理。内部前置验证模块系统讲解回溯式阅读模型中内置前置验证模块的设计原理，包括在编码阶段嵌入可回答性分类头，通过共享表示同步判断问题是否可答，实现早期决策。后置验证模块系统讲解回溯式阅读模型中后置验证模块的精炼机制，在初步答案生成后，启动第二阅读器重新聚焦相关片段，通过迭代推理修正边界或否定错误答案，培养学生的系统思维与工程实现能力。机器翻译1.参考学时4学时。2.教学目标（能力要求）理解机器翻译的基本概念与发展脉络：能够阐述机器翻译的定义、任务目标及其在自然语言处理领域中的作用；理解机器翻译从规则方法、统计方法到神经方法的发展过程及各自特点。掌握主流机器翻译模型架构：能够描述Seq2Seq基本框架及编码器—解码器思想；能够区分基于循环神经网络、卷积神经网络和自注意力机制的机器翻译模型，并分析其结构特点与适用场景。深入理解自注意力机制与Transformer架构：能够解释自注意力计算过程及其核心思想；能够描述Transformer中编码器与解码器的组成结构及二者之间的协同关系。掌握机器翻译中的解码与搜索策略：能够解释机器翻译中的搜索问题；理解并比较贪婪搜索与束搜索的基本原理、算法流程及优缺点。理解机器翻译中的领域迁移与领域自适应问题：能够解释领域迁移和领域自适应的概念；理解机器翻译中常见的灾难性遗忘、过拟合和暴露偏差等问题。了解跨语言迁移学习与预训练技术在机器翻译中的应用：能够描述零样本机器翻译的基本任务设定；了解Pivot-based方法、多语言神经机器翻译、无监督机器翻译等主要思路。了解预训练模型与机器翻译融合的最新进展：能够概述单语预训练在机器翻译中的作用与挑战；理解BERT融合模型和APT框架的基本思想及其对翻译性能的提升方式。3.教学重点和难点教学重点：机器翻译模型架构；自注意力机制与Transformer；机器翻译中的搜索策略。教学难点：自注意力计算原理；束搜索解码过程；领域自适应与跨语言预训练迁移方法。4.教学主要内容（1）机器翻译概述（20分钟）机器翻译的定义与研究背景机器翻译任务特点及主要优势（2）机器翻译模型架构与方法演进（80分钟）Seq2Seq模型与编码器—解码器框架基于循环神经网络的机器翻译模型基于卷积神经网络的机器翻译（ByteNet模型）（3）基于自注意力机制的机器翻译（90分钟）自注意力机制的提出背景与基本思想Transformer编码器架构Transformer解码器架构自注意力计算过程与Softmax机制（4）机器翻译中的搜索与解码策略（50分钟）机器翻译中的搜索问题贪婪搜索原理与流程束搜索原理与流程（5）机器翻译中的领域迁移与领域自适应（40分钟）领域迁移的概念与应用场景领域自适应方法及关键问题机器翻译中的灾难性遗忘与暴露偏差（6）跨语言迁移学习与预训练机器翻译模型（60分钟）零样本机器翻译与跨语言迁移学习多语言神经机器翻译与无监督机器翻译预训练模型在机器翻译中的应用BERT融合模型与APT框架简介教学过程与方法机器翻译的简介什么是机器翻译机器翻译（Machinetranslation）是一种利用计算机将一种自然语言文本自动翻译成另一种自然语言文本的技术。机器翻译任务机器翻译任务早期发展和主要优点：快速、广泛、低成本机器翻译的模型架构Seq2Seq模型架构：一个编码器（Encoder）和一个解码器（Decoder），主要可以分为基于规则的机器翻译(RBMT)，统计机器翻译(SMT)，神经机器翻译等类别。基于循环神经网络的机器翻译介绍定义，将翻译过程视作在源句子(Sourcesentence)的条件下生成目标句子(Targetsentence)的过程，即首先将源句子转化为中间句子表示，然后采用循环神经网络来生成目标句子，这种模型叫做循环连续性翻译模型(RecurrentContinuousTranslationModels,RCTM)基于卷积神经网络的机器翻译主要介绍ByteNet模型特点及其网络结构，讲解网络结构图基于自注意力机制的机器翻译介绍《Attentionisallyouneed》论文，讲解其编码器和解码器之间的关系组成。编码器架构介绍编码组件的组成，由一堆编码器（Encoder）构成，所有的编码器在结构上都是相同的，但没有共享参数。每个编码器都可以分解成两个子层。解码器架构解码器：由相同数量（与编码器对应）的解码器（Decoder）组成。自注意力计算介绍自注意力计算的几步内容，详细介绍向量之间的计算关系，以及softmax的计算方法等。机器翻译中的搜索问题搜索问题的目标：利用某种算法，随机抽样得到多种翻译，找出句子概率最大的一个，即最合适的翻译结果。包含贪婪搜索、集束搜索。贪婪搜索介绍贪婪搜索的算法及其伪代码束搜索介绍束搜索算法及其伪代码。领域迁移领域迁移：用于训练的源数据集与用于预测和推断的目标数据集的分布不同领域自适应领域自适应指的是不同迁移学习的一种方法，将不同领域的数据特征映射到同一个特征空间中，利用信息丰富的源域样本来提升目标域模型的性能机器翻译中的领域自适应机器翻译中的领域自适应：推理时呈现的句子领域可能与任何训练领域数据不同，主要关注两个问题，即“灾难性遗忘”和过拟合或“暴露偏差”。跨语言预训练的迁移学习介绍跨语言预训练的迁移学习的任务：零样本场景任务，即给定大量的<source,pivot>和<pivot,target>的翻译文本对语料，但是不存在<source,target>的平行语料，零样本机器翻译希望能够得到模型，实现从source语言到target语言的翻译任务。并且介绍四种类型的方法：Pivot-basedMethod；TransferLearning；MultilingualNMT(MNMT)；UnsupervisedNMT(UNMT)BridgeLanguageModeling核心思想：训练一个通用的编码器Encoder，将source和pivot语言映射到相同的语义空间中。同时介绍该模型的框架。预训练的机器翻译模型介绍预训练的机器翻译模型：随着预训练大模型技术的发展，自我监督预训练和特定任务微调技术与机器翻译任务的结合也逐渐受到人们的关注，为机器翻译领域注入了新的活力机器翻译的单语预训练介绍机器翻译的单语预训练的特点和挑战BERT融合模型介绍BERT融合模型的特点及其框架：将BERT得到的表征输入到模型所有层，并使用注意力机制控制不同层与表征之间的交互。介绍新的APT框架介绍新的APT框架：从预训练模型中获取单语知识并融合到机器翻译模型，该框架有两个模块对话系统1.参考学时4学时。2.教学目标（能力要求）理解对话系统的基本概念与发展历程：能够阐述对话系统的研究背景与核心任务；理解第一代、第二代和第三代对话系统的发展脉络及其各自的优缺点。掌握对话系统的整体模型框架：能够区分Pipeline模块化结构与端到端（End-to-End）结构；理解任务型对话系统与开放域闲聊对话系统的区别与联系。深入理解封闭域任务型对话系统的关键模块：能够描述自然语言理解、对话状态追踪、对话决策和自然语言生成等核心模块的功能与相互关系；理解管道模型的整体流程与信息传递机制。理解开放域对话系统的目标与关键挑战：能够分析开放域对话在语义理解、对话一致性和交互性等方面面临的主要问题；理解长期用户参与度在开放域对话系统中的重要性。掌握开放域对话系统的主要技术路线：能够区分检索式对话、生成式对话及集成式对话系统的基本原理与特点；了解不同方法在语义建模、一致性和数据依赖方面的差异。了解基于预训练大模型的对话系统发展趋势：能够概述ChatGPT的发展历程及其核心技术思想；理解预训练大模型在对话系统性能提升中的作用。3.教学重点和难点教学重点：对话系统的模型框架；管道式任务型对话系统；开放域对话系统的技术路线。教学难点：对话状态追踪机制；开放域对话中的一致性问题；基于预训练大模型的对话系统原理。4.教学主要内容（1）对话系统任务与模型框架概述（60分钟）对话系统任务介绍与发展阶段对