قياس الميل إلى الشراء بالاستفادة من الخبرة المكتسبة

الفصل 4.1 إدخال تحليل وتطوير التقنيات التحليلية المتقدمة لتحسين عملية توصية الخدمات السياحية في الوكالة COMPANY-002. استنادا إلى البحوث السابقة، حيث قمنا بتصميم بنية تحليلية عامة وطريقة الكشف التلقائي عن العملاء المحتملين، تركز هذه القسم على تقييم وثائق العرض التي يتم إرسالها إلى العملاء. الهدف الرئيسي هو التأكد من أن التوصيات أكثر دقة وتتوافق مع رغبات ومتطلبات العملاء.

ولهذا السبب تم تحليل 50 وثائق العرض المختارة عن طريق الصدفة ونصوصها المرتبطة باستخدام تقنيات معالجة اللغة الطبيعية (PLN). تم تنفيذ أدوات مثل SOFTWARE-TH-002, SOFTWARE-TH-003 و و SOFTWARE-TH-003 لتنفيذ الاعتراف بالهيئات المسمى (NER) ، مما يسمح باستخراج المصطلحات الرئيسية وبناء قاموس النقاط. تم استخدام هذا القاموس لتقييم أهمية العروض استنادا إلى احتمال العميل قبول التوصية.

ويشمل الفصل أيضًا مقارنة بين أدوات NER المستخدمة ، وتقييم دقة وسرعة ، وخاصة في النصوص الإسبانية. وتهدف هذه النهج ليس فقط إلى تحسين تخصيص التوصيات، ولكن أيضا لتحديد الحلول التكنولوجية الأكثر فعالية لدعم وكلاء السفر في اتخاذ القرارات.

4.1 مقدمة

في البحوث المسبقة لعملائنا COMPANY-002 نحن تصميم بنية تحليلية عامة لمساعدة الشركة على تحسين عملية البيع الخاصة بها

ونحن نقدم وتطوير طريقة للكشف التلقائي عن العملاء المحتملين. في هذا البحث القائم على المعرفة السابقة، ونحن نركز على وثائق العرض التي يتم إرسالها إلى العملاء المحتملين خلال عملية البيع، من أجل التحقق من أن التوصيات تتناسب بشكل أفضل مع رغبات العملاء.

من أجل دراسة هذه العملية التوصية بالتفصيل ، اخترنا عن طريق الصدفة 50 وثائق العرض وفرص النص المرتبطة بها من قبل العميل. بدأ تحليل فرص النص مع PLN من أجل استخراج المؤسسات وإعداد قاموس عام مع درجة مرتبطة كل مؤسسة، وفقا لمتوقع الفرصة. ثم نستخدم هذا القاموس من التصنيف كأساس لتقييم مفصل للوثائق العرض، باستخدام ثلاثة طرق مختلفة: SOFTWARE-TH-003, SOFTWARE-TH-002 وواحد يعتمد على SOFTWARE-TH-003. ونحن نستخدم كل هذه التقنيات المختلفة لتنفيذ NER في النصوص المختلفة. إن الاعتراف بالهيئات باسم (NER) هو جزء كبير من معالجة اللغة الطبيعية. في العقد الماضي ، تم تطوير العديد من أنظمة NER. يمكنهم توجيههم إلى مجالات مختلفة، واستخدام منهجيات مختلفة، والعمل في لغات مختلفة، وتحديد أنواع مختلفة من المؤسسات، وإدخال تنسيقات مختلفة من الدخول والخروج. هذه الشروط تجعل من الصعب على المستخدم الفني اختيار أدوات NER المناسبة لمهمة محددة Jiang et al. ( 2016 ). نحن نركز على جعل مقارنة Shelar et al. ( 2020 ) من ثلاثة أدوات NER مختلفة ، استنادًا إلى بيانات عملائنا: COMPANY-002. وبما أن عملائنا يتعاملون مع النصوص باللغة الإسبانية، فإننا نحاول الحصول على أفضل حل لهذه اللغة (الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية-الإسبانية- 2004 ).

4.2 المقترح

4.2.1 العمليات التحليلية المستخدمة في التوصية

إنشاء قاموس النقاط العام

لإنشاء قاموس عام للتقييم، نقوم بمعالجة جميع الفرص المخزنة في CRM مع وظيفة NER من SOFTWARE-TH-002. مع هذه المعلومات حول الشروط، ونحن نخلق جدول تخزين العلاقة بين الشروط التي وجدت مع نتيجة الفرصة، شراء أو التخلي.

نحن نضيف هذا الجدول باستخدام حساب شروط الفرصة والقرار أو الشراء أو التخلي. من أجل أن نكون قادرين على الكمية، ونحن نخلق طريقة بسيطة من النتيجة، باستخدام الصيغة التالية:

if (شراء): count-id-term * 2

جدول 4.1: قاموس النقاط العامة

Term Score مالديف 13 ماريس 8.5....... تنزانيا - 1 بانكوك - 1

جدول 4.2: توجيه العروض من خلال نص الفرصة

عرض عرض الدخول Offer-ID Destination Scoring 13485 مالديفا 350 15839 كوستاريكا 150....... 14592 الكناري 50 12394 تنزانيا - 13.5

إذا (تراجع): (count-id-term * - 1 ) / 2

حيث count-id-term يمثل العدد الوحيد من المرات التي يظهرها id في جدول المجموعة (قرارات، مصطلح). مع هذه الطريقة من الكمية لثلاثة أدوات، بدأنا في تسجيل العروض من الوثائق.

نضيف المعلومات مرة أخرى مع مجموع النتيجة السابقة للمجموعة (term) ، مما يولد النتيجة العامة للموضوع ، حسب أي قرار ، كما هو موضح في الجدول: 4.1

تقييم وثائق العرض

نحن نقوم بتنفيذ ثلاثة تقنيات PLN على وثائق العرض ، وتخزينها في تنسيق.docx. فكرة هي الحصول على استخدام NER المصطلحات المهمة للوثائق. تم تقييم المصطلحات التالية باستخدام القاموس العام المذكور في القسم السابق ، لذلك أخيرًا ، من نص الفرصة ، حصلنا على مجموعة من التوصيات (وثائق العرض) التي تم ترتيبها حسب النتيجة التي تم إنشاؤها مع القاموس العام ، كما هو موضح في الجدول 4.2

استخدام أدوات NER المختلفة

SOFTWARE-TH-002

SOFTWARE-TH-002 مكتبة Python مفتوحة المصدر لـ PLN، تم إطلاقها في 2015 إن المبدعين من SOFTWARE-TH-002 وصف عملها ك PLN الصناعية. SOFTWARE-TH-002 يمكنك العمل مع نماذج اللغة المدرسية ومتدربات الكلمات لعدة 60 لغات. وتسمح لنا أن نموذج اللغة بإجراء مجموعة متنوعة من المهام

جدول 4.3: Benchmark السرعة SOFTWARE-TH-002 في نوفمبر من 2022

مكتبة PIPELINE WPS CPU WPS GPU SOFTWARE-TH-002 في_core_web_lg 10,014 14,954 SOFTWARE-TH-002 في_core_web_trf 684 3,768 إستشارة في_ewt 878 2,180 Flair pos(-fast) & ner(-fast) فيديوهات متعلقة بـ “ 323 1,184 UDPipe english-ewt-ud- 2.5 1,101 n / أ

(ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص (ب) تخصيص 2020 ).

تثبيت SOFTWARE-TH-002 من السهل جدا استخدام pip ، ثم تحتاج إلى تنزيل نموذج SOFTWARE-TH-002 في هذه الدراسة ، تم اختبار عدة ، حيث كان الأفضل في_core_web_sm ، النسخة الإنجليزية ، على الرغم من أننا نعمل مع النصوص باللغة الإسبانية ، نظرًا لأن هدفنا كان اكتشاف أكبر عدد من المؤسسات.

بالإضافة إلى ذلك ، أضفنا ملحق يسمى negspaCy ، وهو كائن من خط أنابيب SOFTWARE-TH-002 لرفض المفاهيم في النص، استنادا إلى الخوارزميات SOFTWARE-TH-005 ألفا و ألفا ( 2001 ). مع هذا النفق يمكننا إدارة المنطق المرتبطة في مختلف المؤسسات، وتحديد عندما يتم رفض المؤسسة وتقديم أفضل توصية.

وفيما يتعلق بالسرعة، SOFTWARE-TH-002 هو أسرع مكتبة PLN، ونحن أيضا يمكن أن ننظر إلى نقاط الإحالة الخاصة بك [LINK-REDACTED] مقارنة سرعة مختلف مكتبات PLN، قياس في الكلمات في الثانية (WPS): كلما زاد، أفضل، تم إجراء التقييم في 10,000 تعليقات Reddit:

SOFTWARE-TH-003

وفي نهاية 2018 مجموعة من العلماء في المختبر ORG-TH-008 تحت قيادة ج. ديلين، قدم نموذج لغوي جديد يسمى SOFTWARE-TH-003. هذا النموذج يهدف إلى التعلم المسبق العميق من التمثيل النصية ثنائي الاتجاه لاستخدامه لاحقًا في نماذج التعلم الآلي. ميزة هذا النموذج هو سهولة الاستخدام، والتي تشمل إضافة طبقة واحدة فقط من الخروج إلى الهندسة المعمارية العصبية الحالية للحصول على نماذج النص التي تتجاوز عدم دقة كل ما هو موجود في العديد من مشاكل معالجة النص الطبيعي كوروتيف ( 2021 ).

من أجل استخدام SOFTWARE-TH-003 ونحن نعمل مع النموذج: xlm-roberta-large-ner-spanish، هذا النموذج هو نموذج XLM-Roberta-large المعدل لتعرف الكيانات حسب الاسم (NER) على الجزء الإسباني من مجموعة البيانات Co NLL-200 2. عند تقييمها في المجموعة الفرعية من هذه المجموعة من البيانات، تحصل على درجة F1 من 89,17, كونها واحدة من أفضل NER للإسبانية المتاحة

في وقت إجراء هذا التجربة. سرعة من SOFTWARE-TH-003 أقل تأخراً من مع SOFTWARE-TH-002 ولكن يبدو أنها أكثر دقة في التوصيات عندما تكون ناجحة، من SOFTWARE-TH-002.

صغير تونس SOFTWARE-TH-003 أساس

على الرغم من أن نماذج التعلم العميق قد وصلت إلى حالة الفن في العديد من المهام في مجال المعادن النووية ، إلا أن هذه النماذج تتطلب تدريبًا من الصفر ، وتتطلب مجموعات كبيرة من البيانات وأيام الحوسبة لتحويلها إلى حل. وقد ركزت الأبحاث في NLLP بشكل رئيسي على التحويلات التحويلية. بالنسبة للنقل الداخلي ، فإن التكيف الدقيق في إدراج (إدراج) الكلمات المدرسية ، وهي تقنية نقل بسيطة تستهدف فقط الطبقة الأولى من نموذج ، له تأثير كبير على الممارسة ويستخدم في معظم النماذج الأحدث. وتستمر النهج الحديثة التي تضع في الاعتداءات الناشئة عن المهام الأخرى مع إدخالها في طبقات مختلفة في تدريب نموذج المهمة الرئيسية من الصفر وتتعامل مع الاعتداءات المسبقة كمعايير ثابتة، مما يحد من فائدةها. في ضوء فوائد ما قبل التدريب، يجب أن تكون قادرة على القيام بشيء أفضل من بدء عشوائيا بقية المعلمات من نماذجنا. ومع ذلك ، فإن التحويل الداخلي من خلال التعديل الرقيق لم يكن ناجحًا بالنسبة لـ PLN ، على الرغم من أن التعديل الرقيق لنموذج اللغة (LM) لأول مرة يمكن أن يكون الحل الأفضل ، فإنه يتطلب الملايين من الوثائق في المجال لتحقيق أداء جيد ، مما يحد من قابلية التطبيق بشكل خطير. وَالْمُسْتَقِيمِينَ ( 2018 )

ونحن نستخدم SOFTWARE-TH-002 في البداية، أولاً، إعداد محولنا. أولاً وقبل كل شيء، قمنا بإعداد العلامة البيانية التالية:

القمر نوع أو العسل نوع أفريقيا DESTINATION الشاطئ DESTINATION رحلة نوع أو الأزواج نوع الشاطئ DESTINATION السفاري نوع ديزني DESTINATION Disneyland DESTINATION

بعد عدة خطوات من الإعدادات ، قمنا بتدريب النموذج SOFTWARE-TH-003. وَالْمُسْلِمِينَ -

جدول 4.4: حساب الحالات لخلق المصفوفة من الارتباك

الحقيقي SOFTWARE-TH-002 SOFTWARE-TH-003 أضف تعليق حول Fine Tuned Good Bad Good Bad Good 9 9 13 6 14 6 التوقعات السيئة 15 7 11 10 10 10

تعتبر أطباق التثبيت الأكثر تعقيداً من المكتبات الثلاثة، ولكن النتائج التي تم الحصول عليها، والتي تظهر في القسم التالي، تستحق حقاً ذلك.

4.3 التجارب

4.3.1 مقارنة النتائج باستخدام مقاييس مصفوفة الالتباس

وبالنظر إلى أننا نقارن ثلاثة مكتبات مع وظائف NER ، والتي تختلف تمامًا ، فقد حددنا أنه من أجل إجراء مقارنة بين التقنيات المختلفة ، كان من الضروري إجراء المصفوفة الخاطئة. ونحن نقوم بتصنيف التوصيات على أساس جيدة أو سيئة، وبالتالي نقوم بتصنيف المصفوفة الثنائية على أنها التوصيات الحقيقية والتوصيات المتوقعة.

نحن نخلق مربع الخلط الثنائي، يتم عرض القيم المحسوبة في الجدول 4.4 ، وتظهر المقياسات التي تم الحصول عليها من كل تقنية PLN في الجدول 4.5 ، هذه المعلمات تظهر أن أفضل التقنيات هي Fine-tuned ، SOFTWARE-TH-003 و و SOFTWARE-TH-002 في هذا النظام. من خلال دراسة المقاييس يمكننا أن نلاحظ أن التقنيات SOFTWARE-TH-003 و Fine Tuned هي متشابهة جدا، على الرغم من أن الأخير هو أفضل من الأول. تقنية من SOFTWARE-TH-002 هو الأسوأ، مع اختلاف كبير مع الآخرين، على الرغم من أنه أفضل الذي يتعامل مع المنطق بين الكيانات.

جدول 4.5: المقاييس التي تم الحصول عليها لمختلف تقنيات PLN

SOFTWARE-TH-002 SOFTWARE-TH-003 دقة 0.4000 0.5750 0.6000 دقة 0.5000 0.6842 0.7000 F1 النتيجة 0.4286 0.6047 0.6364

4.3.2 حلول أخرى لمعالجة اللغة الطبيعية: ORG-TH-007

قررنا أن نختبر حلول PLN الأخرى للتحقق مما إذا كانت مفيدة لأغراضنا. ونحن نختبر خدمات ORG-TH-007 مع نموذج 3.5 وبالنسبة لـ Pro-

أولاً: نستطيع أن نستفيد من النتائج المماثلة. ومن المعلوم أن المؤسسات المعترف بها ORG-TH-007 أكثر من مع SOFTWARE-TH-002, SOFTWARE-TH-003 أو Fine-Tuning، ولكن العمل مع ORG-TH-007 يخلق مشاكل جديدة، API الخاص بك غير قادر على الاستجابة باللغة الإسبانية، ومنطق المؤسسات لا يعتبر أو يعتبر خطأ، كما يلي:

سؤال: إجابة في اللغة الإسبانية. القمر العسل، شيء مثل نيويورك، لا إلى مالديفا، القمر العسل، لشخصين، كل شيء بما في ذلك. 15 من أغسطس إلى 2022 شكرا لك ”

الإجابة على ORG-TH-007 هو: \" ♰\Maldives\♰\Honeymoon\♰\August 15, 2022 \ ⁇ \ Allinclusive, for two people\ ⁇ \"

ما هو في المقام الأول وظيفة مثيرة للاهتمام جدا، يمكن أن يولد توصية سيئة لأن الاستجواب الأولي قال: مالديفا لا، و ORG-TH-007 يعود بالضبط العكس، أوصية سيئة.

مع نموذجنا SOFTWARE-TH-002, باستخدام plugin negspaCy المستخدمة لرفض المفاهيم النصية القائمة على الخوارزميات SOFTWARE-TH-005 ، يمكننا العمل بشكل أفضل مع المنطق بين المؤسسات ، وخاصة مع رفض المؤسسات. هذه القدرة لا يمكن أن تكون مع ORG-TH-007 و نموذجها 3.5 و مع SOFTWARE-TH-003 هذا يتم إدارته من خلال ربط أهمية مصطلح النتيجة.

4.3.3 التطوير المستقبلي لوكيل سفر افتراضي بنظام متعدد الوكلاء

في دراسة سابقة Moreno et al. ( 2022 ونحن نستخدم MAS لتوزيع عبء العمل في النظام. هنا أيضا نطبق ذلك، مع تصميم الهندسة المعمارية الملهمة بالبيو، لتنظيم العمليات المختلفة المشاركة بهدف نشر وتشجيع الكفاءات من وكلاء السفر الإلكتروني في المستقبل.

كما ذكرنا في القسم السابق، فإن النظم متعددة الوظائف هي مجموعات من المؤسسات الذكية المستقلة التي تعمل على حل المشاكل المعقدة. هناك أبحاث أخرى مسبقة تثبت لماذا وكيفية تطبيقها في مجال السياحة X. وَالْمُسْتَقِيمِ وَالْمُسْتَقِيمِ ( 1997 ). هنا نركز على مشكلة محددة، لا تزال مستقبلية، من هذه الصناعة: كيفية تقليد وكيل السفر.

كما ذكرنا، اليوم يمكن أن يُنظر إلى وكلاء السفر على أنه موصوف بشري، ويحصلون على طلب، ويعملون عليه، ويعيدون أفضل توصياتهم. ولكن من وجهة نظر النمذجة التقنية، عملية التوصية معقدة وتتطلب العديد من العمليات الأخرى، وبعض التحليلات، والعمليات الأخرى، المشاركة بشكل متسق للحصول على أفضل معدل نجاح. ونحن نقترح كحل MAS جديد وبيولوجيا مستوحاة استنادا إلى هيكل البراعم.

يتيح التخطيط للخميرة تنظيم الرمز في نفس الاتجاه الذي يجعلها إطار، على سبيل المثال، حيث العامل الملكي يشبه المراقب، والجنود مثل النماذج، والعمال مثل المشاهد. ولكن مع عمل الخرسانة ، فإنه يسمح لهذا النوع من التنظيم بطريقة ذكية ، على سبيل المثال ، من خلال دمج الميزات المتقدمة مثل التداول بين الوكلاء. لتحسين مهارات التداول في المستقبل من الوكلاء، يمكن استخدام طريقة متوازنة بشكل متزايد للوصول إلى اتفاق بين الوكلاء، ولكن أيضا بين الوكلاء والإنسان، هذه الطريقة التداول وصفها بالتفصيل في Insua et al. ( 2003 ).

4.4 الاستنتاجات

PLN هو أفضل تقنية الذكاء الاصطناعي التي يمكن تطبيقها عندما تنتمي البيانات إلى نوع النص. بعد اختبار ثلاثة تقنيات مفتوحة المصدر المختلفة، لا أحد سوف تستخدم هذه الحلول للمشاكل التي يحتاج الحل إلى الحد الأقصى من الإيجابيات الكاذبة، كما هو موضح في جدول الحالات المذكورة. ولكن بعد أن حاولت حلول تجارية أخرى، مثل ORG-TH-007, منطقة حلول البرمجيات المفتوحة لا تزال لديها الكثير للحديث في هذا المجال.

تم اختبار تقنيات مفتوحة المصدر فقط ضد وظائف NER الخاصة بهم ، لا تزال هناك المزيد من الميزات التي يجب اختبارها كقواعد PLN ، ولكن هناك فرق كبير بين الحلول الأساسية SOFTWARE-TH-002 والحلول الأساسية ل SOFTWARE-TH-003 وهذه الأخيرة هي الأفضل. مثال جيد على كيفية مساعدة PLN الشركات الأخرى (وليس بالضرورة ذات الصلة بالسياحة) على تحقيق مستوى أعلى عندما يتعلق الأمر بالبيانات النصية.

وتعد توسيع MAS الملهمة بالبناء على هيكل الخرسانة لتصميم وكالة السفر الإلكترونية حلًا جديدًا، يظهر ليس فقط مدى كمال وتنوعية الهندسة المعمارية المطلوبة، ولكن أيضًا أن قاعدة التصميم تقسم وتفوز ستساعد في تنفيذ أنظمة معقدة.

تطبيق على عميلنا: COMPANY-002 توفر تقنيات حل مفتوح المصدر رؤية جيدة للغاية يمكن أن تساعد وكلاء السفر على تحديد الوحدات الرئيسية بسرعة عند فحص نص طلبات العملاء.