論文の概要: Improving Customer Service Chatbots with Attention-based Transfer Learning

• arxiv url: http://arxiv.org/abs/2111.14621v1
• Date: Wed, 24 Nov 2021 15:26:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-06 01:25:04.885869
• Title: Improving Customer Service Chatbots with Attention-based Transfer Learning
• Title（参考訳）: 注意に基づくトランスファー学習によるカスタマサービスチャットボットの改善
• Authors: Jordan J. Bird
• Abstract要約: 最先端の研究ポイントは、個人でカスタマーサービスを提供する物理ロボットだ。 この記事では2つの可能性を探る。 第一に、転送学習がビジネスドメイン間のカスタマーサービスチャットボットの改善に役立つかどうかである。
• 参考スコア（独自算出の注目度）: 1.713291434132985
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: With growing societal acceptance and increasing cost efficiency due to mass production, service robots are beginning to cross from the industrial to the social domain. Currently, customer service robots tend to be digital and emulate social interactions through on-screen text, but state-of-the-art research points towards physical robots soon providing customer service in person. This article explores two possibilities. Firstly, whether transfer learning can aid in the improvement of customer service chatbots between business domains. Secondly, the implementation of a framework for physical robots for in-person interaction. Modelled on social interaction with customer support Twitter accounts, transformer-based chatbot models are initially tasked to learn one domain from an initial random weight distribution. Given shared vocabulary, each model is then tasked with learning another domain by transferring knowledge from the prior. Following studies on 19 different businesses, results show that the majority of models are improved when transferring weights from at least one other domain, in particular those that are more data-scarce than others. General language transfer learning occurs, as well as higher-level transfer of similar domain knowledge in several cases. The chatbots are finally implemented on Temi and Pepper robots, with feasibility issues encountered and solutions are proposed to overcome them.
• Abstract（参考訳）: 社会的受容が高まり、大量生産によるコスト効率が向上するにつれ、サービスロボットは産業から社会的領域に渡り始めている。 現在、カスタマサービスロボットはデジタル化され、画面上のテキストを通じてソーシャルなインタラクションをエミュレートする傾向があるが、最先端の研究ポイントは、近いうちにカスタマサービスを直接提供する物理的なロボットに向けられている。 この記事では2つの可能性を探る。 まず、転送学習がビジネスドメイン間のカスタマーサービスチャットボットの改善に役立つかどうか。 第二に、人間間インタラクションのための物理ロボットのためのフレームワークの実装。 カスタマーサポートtwitterアカウントとのソーシャルなインタラクションに基づいてモデル化されたtransformerベースのチャットボットモデルは、初期ランダムウェイト分布から1つのドメインを学習する。 共有語彙が与えられた後、各モデルは、前者から知識を移すことで、別のドメインを学習する。 19の異なるビジネスに関する調査の結果、ほとんどのモデルは、少なくとも1つのドメイン、特に他のドメインよりもデータに乏しいドメインから重みを移す際に改善されている。 一般的な言語伝達学習や、類似のドメイン知識の高レベルな転送が、いくつかのケースで発生する。 チャットボットはついにテミとペッパーのロボットに実装され、実現可能性の問題に遭遇し、解決法が提案されている。

関連論文リスト

• Human Reactions to Incorrect Answers from Robots [0.0]
  この研究は、ロボットの故障に対する人間の反応によって、信頼力学とシステム設計がどう影響するかを体系的に研究した。 その結果、ロボット技術に対する参加者の信頼は、ロボットが誤りや限界を認識したときに著しく増大した。 この研究は人間とロボットの相互作用の科学を進歩させ、ロボット技術の普及を促進する。
  論文  参考訳（メタデータ） (2024-03-21T11:00:11Z)
• RT-1: Robotics Transformer for Real-World Control at Scale [98.09428483862165]
  我々は,有望なスケーラブルなモデル特性を示す,ロボティクストランスフォーマーと呼ばれるモデルクラスを提示する。 実世界の課題を遂行する実ロボットの大規模データ収集に基づいて,様々なモデルクラスと,データサイズ,モデルサイズ,データの多様性の関数として一般化する能力について検証した。
  論文  参考訳（メタデータ） (2022-12-13T18:55:15Z)
• Model Predictive Control for Fluid Human-to-Robot Handovers [50.72520769938633]
  人間の快適さを考慮に入れた計画運動は、人間ロボットのハンドオーバプロセスの一部ではない。 本稿では,効率的なモデル予測制御フレームワークを用いてスムーズな動きを生成することを提案する。 ユーザ数名の多様なオブジェクトに対して,人間とロボットのハンドオーバ実験を行う。
  論文  参考訳（メタデータ） (2022-03-31T23:08:20Z)
• REvolveR: Continuous Evolutionary Models for Robot-to-robot Policy Transfer [57.045140028275036]
  本研究では,運動学や形態学など,異なるパラメータを持つ2つの異なるロボット間でポリシーを伝達する問題を考察する。 模倣学習手法を含む動作や状態遷移の分布を一致させることで、新しいポリシーを訓練する既存のアプローチは、最適な動作や/または状態分布が異なるロボットでミスマッチしているために失敗する。 本稿では,物理シミュレータに実装されたロボット政策伝達に連続的進化モデルを用いることで,$RevolveR$という新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-02-10T18:50:25Z)
• Federated Continual Learning for Socially Aware Robotics [4.224305864052757]
  ソーシャルロボットは、新しいユーザーに対して行動に適応せず、十分なプライバシー保護を提供していない。 本稿では,ソーシャルロボットのプライバシとパーソナライゼーションを改善する分散型学習手法を提案する。 分散学習は,概念実証型社会意識ナビゲーションドメインにおいて,集中学習の代替として実現可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-14T15:54:51Z)
• CheerBots: Chatbots toward Empathy and Emotionusing Reinforcement Learning [60.348822346249854]
  本研究では,複数の共感型チャットボットがユーザの暗黙の感情を理解し,複数の対話のターンに対して共感的に応答する枠組みを提案する。 チャットボットをCheerBotsと呼びます。CheerBotsは検索ベースまたは生成ベースで、深い強化学習によって微調整されます。 共感的態度で反応するため,CheerBotsの学習支援としてシミュレーションエージェントである概念人間モデルを開発し,今後のユーザの感情状態の変化を考慮し,共感を喚起する。
  論文  参考訳（メタデータ） (2021-10-08T07:44:47Z)
• Low-Resource Adaptation of Open-Domain Generative Chatbots [0.0]
  低パラメータモデルは、特定の領域を改善しながら、会話能力の一般的な知識を維持することができることを示す。 本稿では,質問型の多様さを考慮し,マルチターン会話を通して参照を追跡し,不整合性や潜在的有害な応答を除去する汎用フレームワークを提案する。 われわれのフレームワークはチャットとトランザクションタスクをシームレスに移行し、最終的にはデジタルアシスタントとの対話をより人間らしくする。
  論文  参考訳（メタデータ） (2021-08-13T17:40:30Z)
• A Graph Neural Network to Model User Comfort in Robot Navigation [1.6751551703600527]
  本稿では,人やロボットの動きを考慮し,グラフニューラルネットワークを用いてロボットの破壊をモデル化する。 モデルはデータセットで人間に近いパフォーマンスを訓練した。
  論文  参考訳（メタデータ） (2021-02-17T16:44:52Z)
• Learning Cross-Domain Correspondence for Control with Dynamics Cycle-Consistency [60.39133304370604]
  サイクル一貫性制約を用いて2つのドメインで動的ロボットの挙動を調整することを学ぶ。 本フレームワークは,実ロボットアームの無補間単眼映像とシミュレーションアームの動的状態動作軌跡をペアデータなしで一致させることができる。
  論文  参考訳（メタデータ） (2020-12-17T18:22:25Z)
• Learning Predictive Models From Observation and Interaction [137.77887825854768]
  世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。 しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。 本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
  論文  参考訳（メタデータ） (2019-12-30T01:10:41Z)

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。