論文の概要: One System to Rule them All: a Universal Intent Recognition System for Customer Service Chatbots

• arxiv url: http://arxiv.org/abs/2112.08261v1
• Date: Wed, 15 Dec 2021 16:45:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-16 16:30:12.925631
• Title: One System to Rule them All: a Universal Intent Recognition System for Customer Service Chatbots
• Title（参考訳）: 全てを規定する1つのシステム:顧客サービスチャットボットのためのユニバーサルインテント認識システム
• Authors: Juan Camilo Vasquez-Correa, Juan Carlos Guerrero-Sierra, Jose Luis Pemberty-Tamayo, Juan Esteban Jaramillo, Andres Felipe Tejada-Castro
• Abstract要約: 普遍的意図認識システムの開発を提案する。 28種類のチャットボットに共通する11のインテントの中から選択したグループを認識するように訓練されている。 提案システムは、それらの普遍的な意図を80.4%の精度で識別することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Customer service chatbots are conversational systems designed to provide information to customers about products/services offered by different companies. Particularly, intent recognition is one of the core components in the natural language understating capabilities of a chatbot system. Among the different intents that a chatbot is trained to recognize, there is a set of them that is universal to any customer service chatbot. Universal intents may include salutation, switch the conversation to a human agent, farewells, among others. A system to recognize those universal intents will be very helpful to optimize the training process of specific customer service chatbots. We propose the development of a universal intent recognition system, which is trained to recognize a selected group of 11 intents that are common in 28 different chatbots. The proposed system is trained considering state-of-the-art word-embedding models such as word2vec and BERT, and deep classifiers based on convolutional and recurrent neural networks. The proposed model is able to discriminate between those universal intents with a balanced accuracy up to 80.4\%. In addition, the proposed system is equally accurate to recognize intents expressed both in short and long text requests. At the same time, misclassification errors often occurs between intents with very similar semantic fields such as farewells and positive comments. The proposed system will be very helpful to optimize the training process of a customer service chatbot because some of the intents will be already available and detected by our system. At the same time, the proposed approach will be a suitable base model to train more specific chatbots by applying transfer learning strategies.
• Abstract（参考訳）: カスタマーサービスチャットボットは、異なる企業が提供する製品やサービスに関する情報を顧客に提供するために設計された会話システムである。 特に、意図認識は、チャットボットシステムの自然言語基盤機能における中核的な構成要素の1つである。 チャットボットが認識するために訓練されるさまざまな意図のうち、あらゆるカスタマーサービスのチャットボットに共通する一連の意図がある。 普遍的な意図には、敬礼、人間エージェントへの会話の切り替え、別れなどが含まれる。 これらの普遍的な意図を認識するシステムは、特定のカスタマーサービスチャットボットのトレーニングプロセスを最適化するのに非常に役立つだろう。 本研究では,28種類のチャットボットに共通する11個の意図の群を識別する汎用的意図認識システムの開発を提案する。 提案システムは,Word2vecやBERTのような最先端の単語埋め込みモデルと,畳み込みニューラルネットワークと繰り返しニューラルネットワークに基づく深層分類器を考察した。 提案したモデルは、それらの普遍意図を最大80.4\%の精度で識別することができる。 さらに,提案システムは,短文と長文の両方で表現された意図を認識するのに等しく正確である。 同時に、誤分類エラーは、別れや肯定的なコメントなど、非常に類似した意味領域を持つインテント間で発生することが多い。 提案するシステムは,ユーザサービスのチャットボットのトレーニングプロセスを最適化するのに非常に役立つだろう。 同時に、提案手法は、トランスファー学習戦略を適用して、より具体的なチャットボットを訓練するための適切なベースモデルとなる。

関連論文リスト

• Measuring and Controlling Instruction (In)Stability in Language Model Dialogs [72.38330196290119]
  System-promptingは、言語モデルチャットボットをカスタマイズするツールで、特定の命令に従うことができる。 本稿では,仮説を検証し,セルフチャットによる命令安定性の評価を行うベンチマークを提案する。 我々は8ラウンドの会話で重要な指示ドリフトを明らかにした。 そこで本研究では,2つの強力なベースラインに対して良好に比較可能なsplit-softmaxという軽量な手法を提案する。
  論文  参考訳（メタデータ） (2024-02-13T20:10:29Z)
• Rewarding Chatbots for Real-World Engagement with Millions of Users [1.2583983802175422]
  本研究では,ユーザエンゲージメントを優先して保持性を高めるソーシャルチャットボットの開発について検討する。 提案手法では,ユーザインタラクションから収集した擬似ラベルを用いて報酬モデルのトレーニングを行う。 Chai Researchプラットフォーム上の1万人のデイリーチャットユーザを対象としたA/Bテストは、このアプローチがMCLを最大70%向上させることを示している。 今後の作業は、報酬モデルを使用してデータフライホイールを実現し、最新のユーザ会話を使用して、言語モデルと報酬モデルを交互に微調整することを目的としている。
  論文  参考訳（メタデータ） (2023-03-10T18:53:52Z)
• Jewelry Shop Conversational Chatbot [0.0]
  そこで我々は,顧客からの問い合わせに対して,入力とコーパスのパターンとの類似性を見出すことにより,客の問い合わせの基盤となる目的を見出すジュエリーショップのための対話エージェントを構築した。 我々のシステムはクライアント向けの音声入力インタフェースを備えており、自然言語で話すことができる。 システムの性能を評価するために、リコール、精度、F1スコアなどのパフォーマンス指標を使用しました。
  論文  参考訳（メタデータ） (2022-06-09T17:56:51Z)
• A Deep Learning Approach to Integrate Human-Level Understanding in a Chatbot [0.4632366780742501]
  人間とは異なり、チャットボットは一度に複数の顧客にサービスを提供し、24/7で提供され、1秒以内で返信できる。 深層学習を用いて感情分析,感情検出,意図分類,名義認識を行い,人文的理解と知性を備えたチャットボットを開発した。
  論文  参考訳（メタデータ） (2021-12-31T22:26:41Z)
• Few-Shot Bot: Prompt-Based Learning for Dialogue Systems [58.27337673451943]
  ごく少数の例を使って会話を学ぶことは、会話型AIにおける大きな課題である。 現在の最良の会話モデルは、良いチャットシャッター(例:BlenderBot)またはゴール指向システム(例:MinTL)である。 グラデーションベースの微調整を必要とせず、学習の唯一の源としていくつかの例を用いるプロンプトベースの数ショット学習を提案する。
  論文  参考訳（メタデータ） (2021-10-15T14:36:45Z)
• 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)
• Put Chatbot into Its Interlocutor's Shoes: New Framework to Learn Chatbot Responding with Intention [55.77218465471519]
  本稿では,チャットボットに人間のような意図を持つための革新的なフレームワークを提案する。 我々のフレームワークには、ガイドロボットと人間の役割を担うインターロケータモデルが含まれていた。 本フレームワークを3つの実験的なセットアップを用いて検討し,4つの異なる指標を用いた誘導ロボットの評価を行い,柔軟性と性能の利点を実証した。
  論文  参考訳（メタデータ） (2021-03-30T15:24:37Z)
• Leveraging Acoustic and Linguistic Embeddings from Pretrained speech and language Models for Intent Classification [81.80311855996584]
  本研究では,前訓練された音声認識システムから抽出した音響特性と,前訓練された言語モデルから学習した言語特性を用いた新しい意図分類フレームワークを提案する。 ATIS と Fluent 音声コーパスの精度は 90.86% と 99.07% である。
  論文  参考訳（メタデータ） (2021-02-15T07:20:06Z)
• Personalized Chatbot Trustworthiness Ratings [19.537492400265577]
  我々は、各問題に対する個別の格付けモジュールに依存するチャットボットのためのパーソナライズされた格付け手法を構想する。 この方法は、特定の信頼問題とは独立しており、集計手順にパラメトリックである。
  論文  参考訳（メタデータ） (2020-05-13T22:42:45Z)
• A Financial Service Chatbot based on Deep Bidirectional Transformers [17.779997116217363]
  私たちは、金融投資顧客サービスにおけるクライアントの質問を処理するために、Deep Bidirectional Transformer Model (BERT)を使用します。 ボットは381の意図を認識し、いつ「私は知らない」と言うかを決め、人間オペレーターに無関係で不確実な質問をエスカレートする。 もうひとつの新しい貢献は、自動スペル訂正における言語モデルとしてのBERTの使用である。
  論文  参考訳（メタデータ） (2020-02-17T18:48:55Z)
• IART: Intent-aware Response Ranking with Transformers in Information-seeking Conversation Systems [80.0781718687327]
  我々は、情報探索会話におけるユーザ意図パターンを分析し、意図認識型ニューラルレスポンスランキングモデル「IART」を提案する。 IARTは、ユーザ意図モデリングと言語表現学習とTransformerアーキテクチャの統合の上に構築されている。
  論文  参考訳（メタデータ） (2020-02-03T05:59:52Z)

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。