論文の概要: Customer Sentiment Analysis using Weak Supervision for Customer-Agent Chat

• arxiv url: http://arxiv.org/abs/2111.14282v2
• Date: Tue, 30 Nov 2021 03:38:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-01 12:46:33.630973
• Title: Customer Sentiment Analysis using Weak Supervision for Customer-Agent Chat
• Title（参考訳）: 弱い監督によるカスタマーエージェントチャットの顧客感情分析
• Authors: Navdeep Jain
• Abstract要約: 顧客チャットにおける感情分析は、社内データセットの弱さを利用して行う。 我々は、弱い監督力を用いた感情分類器として、事前学習言語モデル(LM)RoBERTaを微調整する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prior work on sentiment analysis using weak supervision primarily focuses on different reviews such as movies (IMDB), restaurants (Yelp), products (Amazon).~One under-explored field in this regard is customer chat data for a customer-agent chat in customer support due to the lack of availability of free public data. Here, we perform sentiment analysis on customer chat using weak supervision on our in-house dataset. We fine-tune the pre-trained language model (LM) RoBERTa as a sentiment classifier using weak supervision. Our contribution is as follows:1) We show that by using weak sentiment classifiers along with domain-specific lexicon-based rules as Labeling Functions (LF), we can train a fairly accurate customer chat sentiment classifier using weak supervision. 2) We compare the performance of our custom-trained model with off-the-shelf google cloud NLP API for sentiment analysis. We show that by injecting domain-specific knowledge using LFs, even with weak supervision, we can train a model to handle some domain-specific use cases better than off-the-shelf google cloud NLP API. 3) We also present an analysis of how customer sentiment in a chat relates to problem resolution.
• Abstract（参考訳）: 弱い監督を用いた感情分析に関する以前の仕事は、主に映画(imdb)、レストラン(yelp)、製品(amazon)といった異なるレビューに焦点を当てていた。 この点に関して未検討の分野の1つは、無料の公開データがないことによるカスタマーサポートにおけるカスタマーエージェントチャットのカスタマチャットデータである。 ここでは、社内データセットの弱さを利用した顧客チャットの感情分析を行う。 我々は、弱い監督力を用いた感情分類器として、事前学習言語モデル(LM)RoBERTaを微調整する。 1) 弱い感情分類器とドメイン固有の語彙ベースのルールをラベル付け関数(LF)として使用することにより、弱い監督力を使ってかなり正確な顧客チャット感情分類器を訓練できることを示す。 2) カスタムトレーニングモデルと市販の Google クラウド NLP API を比較し,感情分析を行った。 LFを使ってドメイン固有の知識を注入することで、監督の弱い場合でも、オフザシェルフの Google クラウド NLP API よりもドメイン固有のユースケースを扱うようにモデルを訓練できることを示す。 3)チャットにおける顧客感情と課題解決との関連性についても分析を行った。

関連論文リスト

• Using LLMs to Establish Implicit User Sentiment of Software Desirability [0.0]
  本研究は、暗黙のソフトウェア望ましさを定量的にゼロショット感情分析するためのLLMの使用について検討する。 データはMicrosoft Product Desirability Toolkit (PDT)を使って収集される。
  論文  参考訳（メタデータ） (2024-08-02T18:40:10Z)
• Unsupervised Sentiment Analysis of Plastic Surgery Social Media Posts [91.3755431537592]
  ソーシャルメディアプラットフォームにまたがる膨大なユーザー投稿は、主に人工知能(AI)のユースケースに使われていない。 自然言語処理(NLP)は、コーパス(corpora)として知られるドキュメントの体系を利用して、人間のような言語理解でコンピュータを訓練するAIのサブフィールドである。 本研究は, 教師なし解析の応用により, コンピュータがプラスティック手術に対する否定的, 肯定的, 中立的なユーザ感情を予測できることを示した。
  論文  参考訳（メタデータ） (2023-07-05T20:16:20Z)
• Bring Your Own Data! Self-Supervised Evaluation for Large Language Models [52.15056231665816]
  大規模言語モデル(LLM)の自己教師型評価のためのフレームワークを提案する。 閉書知識,毒性,長期文脈依存性を測定するための自己指導型評価戦略を実証する。 自己監督評価と人監督評価との間には強い相関関係が認められた。
  論文  参考訳（メタデータ） (2023-06-23T17:59:09Z)
• Leveraging ChatGPT As Text Annotation Tool For Sentiment Analysis [6.596002578395151]
  ChatGPTはOpenAIの新製品で、最も人気のあるAI製品として登場した。 本研究では、さまざまな感情分析タスクのためのデータラベリングツールとしてのChatGPTについて検討する。
  論文  参考訳（メタデータ） (2023-06-18T12:20:42Z)
• REaaS: Enabling Adversarially Robust Downstream Classifiers via Robust Encoder as a Service [67.0982378001551]
  サービスプロバイダがエンコーダを事前トレーニングして、クラウドサービスAPIとしてデプロイする方法を示します。 クライアントはクラウドサービスAPIに問い合わせて、トレーニング/テスト入力のフィーチャーベクタを取得する。 私たちは、クライアントが下流の分類器の堅牢性を証明できるように、クラウドサービスが2つのAPIを提供する必要があることを示しています。
  論文  参考訳（メタデータ） (2023-01-07T17:40:11Z)
• Proactive Detractor Detection Framework Based on Message-Wise Sentiment Analysis Over Customer Support Interactions [60.87845704495664]
  本稿では、チャットベースのカスタマーサポートのインタラクションにのみ依存して、個々のユーザの推薦決定を予測するフレームワークを提案する。 ケーススタディでは、ラテンアメリカの大手電子商取引会社の金融分野における16.4kのユーザ数と48.7kの顧客サポートに関する会話を分析した。 以上の結果から,CS会話のメッセージワイドな感情進化のみに基づいて,ユーザが製品やサービスを推薦する可能性を予測することが可能であることが示唆された。
  論文  参考訳（メタデータ） (2022-11-08T00:43:36Z)
• Efficient Few-Shot Fine-Tuning for Opinion Summarization [83.76460801568092]
  抽象的な要約モデルは、典型的には大量のジェネリックテキストで事前訓練され、数万から数十万の注釈付きサンプルで微調整される。 アダプタをベースとした数ショット法では,ドメイン内の知識を容易に保存できることを示す。 この自己教師型アダプタの事前トレーニングにより,AmazonとYelpのデータセット上の2.0および1.3ROUGE-Lポイントの要約品質が向上することを示す。
  論文  参考訳（メタデータ） (2022-05-04T16:38:37Z)
• What is wrong with you?: Leveraging User Sentiment for Automatic Dialog Evaluation [73.03318027164605]
  本稿では,次のユーザの発話から自動的に抽出できる情報をプロキシとして利用して,前のシステム応答の質を測定することを提案する。 本モデルは,実際のユーザおよび有償ユーザから収集した音声と書面の両方のオープンドメインダイアログコーパスを一般化する。
  論文  参考訳（メタデータ） (2022-03-25T22:09:52Z)
• Data Driven Content Creation using Statistical and Natural Language Processing Techniques for Financial Domain [0.0]
  本稿では,コール,検索,チャットなど,異なるインタラクションチャネルからの情報を組み合わせる手法を第1部で記述する2部フレームワークを提案する。 フレームワークの第2部は、インタラクションデータソースを分析して顧客の質問を抽出することに焦点を当てている。
  論文  参考訳（メタデータ） (2021-09-07T08:37:28Z)
• Evaluating Empathetic Chatbots in Customer Service Settings [6.523873187705393]
  顧客からの質問に応答する混合スキルチャットボットモデルは、感情を認識し、適切な共感を示すように訓練された場合、実際のエージェント応答によく似ている。 分析には、20の有名なブランドから顧客サービスコンテキストで数百万の顧客->エージェントダイアログの例を含むTwitterのカスタマーサービスデータセットを活用します。
  論文  参考訳（メタデータ） (2021-01-05T03:34:35Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。