الخلاصة

مع تقدم التكنولوجيا السريع ، تنتقل المزيد من المؤسسات من دعم العملاء اليدوي إلى العمليات الآلية. بالإضافة إلى ذلك، إزداد الطلب على وكلاء المحادثة بشكل كبير في الآونة الأخيرة. تعرف روبوتات المحادثة على أنها وكلاء محادثة أو مساعد الذكاء الاصطناعي الذي يحاكي المحادثات مع البشر من خلال اللغات الطبيعية ، بما في ذلك الصوت والنص.
عادةً ما يتم تنفيذ روبوتات المحادثة من خلال أساليب التوليد أو الاسترجاع. تعتمد روبوتات المحادثة القائمة على الاسترداد على إجابات محددة مسبقًا ونقص المرونة ، بينما يولد النموذج القائم على التوليد استجابات جديدة. بالإضافة إلى ذلك ، يحتاج العملاء إلى المساعدة عند شراء المنتجات التي تستغرق تقديم هذه الخدمة قدراً كبيراً من الوقت والجهد. الهدف الرئيسي من هذا البحث هو تحسين روبوت محادثة تسويقي ذكي وفهم طلب المستخدم. لتحقيق هذه الأهداف ، تم اقتراح نموذجين ، الأول هو روبوت المحادثة الذي يعتمد على التوليد باستخدام نموذج seq2seq LSTM . أما النموذج الثاني يفهم طلبات المستخدم باستخدام تصنيف النية والتعرف على كيان الاسم. وكلا النموذجين تستخدم مجموعة بيانات ( الأسئلة والأجوبة ) الخاصة عن منتجات المكتبية من موقع الأمازون.
تم تنفيذ تصنيف النية باستخدام تقنيات التعلم العميق باستخدام نموذج BiLSTM لتحسين نموذج مصنف النية. تعد الطريقة التقليدية لتمييز كيانات الاسم NER) ) غير كافية لإستخلاص المعلومات ذات الصلة في المجال المحدد. للتغلب على هذه المشكلة ، تم استخدام NER المخصص مع BiLSTM للحصول على دقة أعلى لمحادثة الروبوت المقترحة.
تظهر النتائج أن روبوت المحادثة تعامل مع أسئلة المستخدم بشكل ملائم مع درجة BLEU البالغة 57.38. حقق نموذج مصنف النية 94.75٪ دقة. وأخيرًا ، حقق معدل NER المخصص استنادًا إلى BiLSTM دقة تبلغ 96.94٪. علاوة على ذلك ، عند مقارنة النماذج المقترحة والأبحاث ذات الصلة ، تتفوق النماذج المقترحة على غيرها. تم تحسين أداء جميع النماذج مقارنة بتلك الموجودة في الدراسات السابقة خاصة بعد المعالجة المسبقة لمجموعة البيانات والتعليق عليها وكذلك تخصيص الكيانات المسماة.