Fugu-MT 論文翻訳(概要): Conversational Document Prediction to Assist Customer Care Agents

論文の概要: Conversational Document Prediction to Assist Customer Care Agents

arxiv url: http://arxiv.org/abs/2010.02305v1
Date: Mon, 5 Oct 2020 19:53:41 GMT
ステータス: 処理完了
システム内更新日: 2022-10-10 21:40:44.958802
Title: Conversational Document Prediction to Assist Customer Care Agents
Title（参考訳）: 顧客ケア支援のための対話型文書予測
Authors: Jatin Ganhotra, Haggai Roitman, Doron Cohen, Nathaniel Mills, Chulaka Gunasekara, Yosi Mass, Sachindra Joshi, Luis Lastras and David Konopnicki
Abstract要約: 本研究では,顧客ケア担当者がユーザニーズに役立てる文書の予測作業について検討する。本研究では,その課題に対する技術深層学習(DL)と情報検索(IR)モデルについて検討する。
参考スコア（独自算出の注目度）: 24.759188825018665
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: A frequent pattern in customer care conversations is the agents responding with appropriate webpage URLs that address users' needs. We study the task of predicting the documents that customer care agents can use to facilitate users' needs. We also introduce a new public dataset which supports the aforementioned problem. Using this dataset and two others, we investigate state-of-the art deep learning (DL) and information retrieval (IR) models for the task. Additionally, we analyze the practicality of such systems in terms of inference time complexity. Our show that an hybrid IR+DL approach provides the best of both worlds.
Abstract（参考訳）: カスタマーケアの会話の頻繁なパターンは、ユーザーのニーズに対応する適切なWebページURLで応答するエージェントである。本研究では,顧客ケア担当者がユーザニーズに役立てる文書の予測作業について検討する。また、上記の問題をサポートする新しい公開データセットも導入する。本データセットと他の2つのデータを用いて,課題に対する最先端の深層学習(DL)モデルと情報検索(IR)モデルについて検討する。さらに, 推定時間の複雑さの観点から, システムの実用性を分析する。ハイブリッドir+dlアプローチが両世界のベストを提供することを示す。

関連論文リスト

RAG based Question-Answering for Contextual Response Prediction System [0.4660328753262075]
大規模言語モデル(LLM)は、様々な自然言語処理(NLP)タスクにおいて汎用性を示している。 Retrieval Augmented Generation (RAG)は、この課題に対処するための有望な技術として登場した。本稿では,産業用ユースケースにRAG機能を備えたLCMを用いたエンドツーエンドフレームワークを提案する。
論文参考訳（メタデータ） (2024-09-05T17:14:23Z)
Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents [110.25679611755962]
現在の言語モデル駆動エージェントは、しばしば効果的なユーザ参加のメカニズムを欠いている。 Intention-in-Interaction (IN3) は明示的なクエリを通してユーザの暗黙の意図を検査するための新しいベンチマークである。私たちは、タスクの曖昧さを積極的に評価し、ユーザの意図を問う強力なモデルであるMistral-Interactを経験的に訓練し、それらを実行可能な目標へと洗練させます。
論文参考訳（メタデータ） (2024-02-14T14:36:30Z)
An Interactive Query Generation Assistant using LLM-based Prompt Modification and User Feedback [9.461978375200102]
提案するインタフェースは,単言語および多言語文書コレクション上での対話型クエリ生成をサポートする,新しい検索インタフェースである。このインタフェースにより、ユーザーは異なるLCMによって生成されたクエリを洗練し、検索したドキュメントやパスに対するフィードバックを提供し、より効果的なクエリを生成するプロンプトとしてユーザーのフィードバックを組み込むことができる。
論文参考訳（メタデータ） (2023-11-19T04:42:24Z)
GAIA Search: Hugging Face and Pyserini Interoperability for NLP Training Data Exploration [97.68234051078997]
我々はPyseriniを、オープンソースのAIライブラリとアーティファクトのHugging Faceエコシステムに統合する方法について論じる。 Jupyter NotebookベースのウォークスルーがGitHubで公開されている。 GAIA Search - 前述した原則に従って構築された検索エンジンで、人気の高い4つの大規模テキストコレクションへのアクセスを提供する。
論文参考訳（メタデータ） (2023-06-02T12:09:59Z)
Incorporating Relevance Feedback for Information-Seeking Retrieval using Few-Shot Document Re-Ranking [56.80065604034095]
我々は,クエリとユーザが関連すると考えるドキュメントとの類似性に基づいて,文書を再参照するkNNアプローチを提案する。異なる統合戦略を評価するため、既存の4つの情報検索データセットを関連フィードバックシナリオに変換する。
論文参考訳（メタデータ） (2022-10-19T16:19:37Z)
INSCIT: Information-Seeking Conversations with Mixed-Initiative Interactions [47.90088587508672]
InSCItは、混合開始型インタラクションによる情報探索会話のためのデータセットである。ユーザーエージェントは805対人会話から4.7Kである。対話型知識認識とオープンドメイン質問応答の最先端モデルに基づく2つのシステムの結果を報告する。
論文参考訳（メタデータ） (2022-07-02T06:18:12Z)
TWEETSUMM -- A Dialog Summarization Dataset for Customer Service [13.661851509322455]
6500人近い注釈付き要約を含む,最初の大規模,高品質,顧客ケアダイアログ要約データセットを紹介した。データは現実世界のカスタマーサポートダイアログに基づいており、抽出と抽象の両方の要約を含んでいる。また,ダイアログに特有な非教師付き抽出要約手法も導入した。
論文参考訳（メタデータ） (2021-11-23T14:13:51Z)
Building a Legal Dialogue System: Development Process, Challenges and Opportunities [1.433758865948252]
本稿では,ドメイン固有の会話エージェントの設計において直面する課題に対する重要な原則と解決策について述べる。ユーザクエリに応答し、連絡先の詳細やケース関連情報を含むユーザ情報を記録する機能を提供する。
論文参考訳（メタデータ） (2021-09-01T13:35:42Z)
Mining Implicit Relevance Feedback from User Behavior for Web Question Answering [92.45607094299181]
本研究は,ユーザ行動と通過関連性との関連性を検討するための最初の研究である。提案手法は,追加のラベル付きデータを使わずにパスランキングの精度を大幅に向上させる。実際にこの研究は、グローバルな商用検索エンジンにおけるQAサービスの人為的ラベリングコストを大幅に削減する効果が証明されている。
論文参考訳（メタデータ） (2020-06-13T07:02:08Z)
Large-scale Hybrid Approach for Predicting User Satisfaction with Conversational Agents [28.668681892786264]
ユーザの満足度を測定することは難しい課題であり、大規模な会話エージェントシステムの開発において重要な要素である。人間のアノテーションに基づくアプローチは簡単に制御できるが、スケールするのは難しい。新たなアプローチとして,会話エージェントシステムに埋め込まれたフィードバック誘導システムを通じて,ユーザの直接的なフィードバックを収集する手法がある。
論文参考訳（メタデータ） (2020-05-29T16:29:09Z)
Conversations with Search Engines: SERP-based Conversational Response Generation [77.1381159789032]
我々は、検索エンジンと対話するためのパイプラインを開発するために、適切なデータセット、検索・アズ・ア・会話(SaaC)データセットを作成します。また、このデータセットを用いて、検索エンジンと対話するための最先端パイプライン(Conversations with Search Engines (CaSE))も開発しています。 CaSEは、サポートされたトークン識別モジュールとプリア・アウェア・ポインタージェネレータを導入することで最先端を向上する。
論文参考訳（メタデータ） (2020-04-29T13:07:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。