Kapitel 4.1 introducerer analyse og udvikling af avancerede analyseteknologier for at optimere processen med at anbefale turisttjenester på vores agentur COMPANY-002. Baseret på tidligere forskning, hvor vi designer en overordnet analytisk arkitektur og en metode til automatisk detektion for potentielle kunder, fokuserer dette afsnit på at evaluere tilbudspapirer sendt til kunder. Hovedformålet er at kontrollere, at anbefalingerne er mere præcise og afstemt efter kundernes ønsker eller behov.
Med henblik herpå blev de analyseret 50 tilfældigt udvalgte tilbud på dokumenter og tilhørende tekster ved hjælp af teknikker til behandling af naturligt sprog (PLN). Der er blevet indført værktøjer. SOFTWARE-TH-002, SOFTWARE-TH-003 og SOFTWARE-TH-003 At gennemføre anerkendelsen af udpegede enheder (NER), så de kan udtrække nøgleord og opbygge en ratingordbog. Denne ordbog blev brugt til at vurdere relevansen af tilbud som et resultat og afhænger af hans eller hendes villighed.
Kapitlet indeholder også en sammenligning af de anvendte NER-værktøjer, idet man vurderer deres nøjagtighed og hastighed, især i spansk tekst. Denne fremgangsmåde tager sigte på ikke blot at forbedre personaliseringen af anbefalingerne, men også at finde frem til de mest effektive teknologiske løsninger til støtte for rejsebureauerne i deres beslutningstagning.
4.1 Indledning
I tidligere forskning for vores klient COMPANY-002 vi designede en overordnet analytisk arkitektur til at hjælpe virksomheden med at forbedre sin salgsproces
og vi designer eller implementerer en metode til automatisk detektion af potentielle kunder. I denne forskning baseret på tidligere viden, fokuserede vi med vores tilbud dokumenter sendt til potentielle kunder under salgsprocessen for at kontrollere, at anbefalinger bedst passer til din klients ønsker.
For at studere denne anbefaling proces i detaljer, vi vælger tilfældigt 50 tilbyde dokumenter og deres tilknyttede tekstmuligheder af kunden. Analysen af tekstmulighederne med PLN blev indledt for at fjerne enhederne og oprette en generel ordbog, der havde en entitetsrelateret score, afhængigt af deres tilbøjelighed. Vi bruger derefter denne score ordbog som grundlag for en indgående vurdering af tilbuddene ved hjælp af tre forskellige metoder: SOFTWARE-TH-003, SOFTWARE-TH-002 og en baseret på SOFTWARE-TH-003. Vi bruger alle disse forskellige teknologier til at realisere NER i de forskellige tekster. Annoncering (NER) er en vigtig underopgave i behandlingen af naturligt sprog. Flere NER-systemer er blevet udviklet i det sidste årti. De kan være rettet mod forskellige områder, ved hjælp af forskellige metoder og arbejder på en række sprog. For at detektere flere typer med en enhed, vil de have fået tilladelse på samme tid som deres entry eller exit formater Disse betingelser gør det vanskeligt for en teknisk bruger at vælge de relevante NER værktøjer med specifikke Jiang et al. ( 2016 ). Vi fokuserede på at lave en Shelar et al sammenligning. ( 2020 ) med tre forskellige NER værktøjer, ved hjælp af vores klients oplysninger: COMPANY-002. Da vores kunder gennemføre spansk tekst, vi forsøger at få den bedste løsning for, at Galicia-Haro og al. ( 2004 ).
4.2 Forslag
4.2.1 Analytiske processer i forbindelse med en henstilling
Oprettelse af den generelle indeks ordbog
For at skabe en generel score ordbog, vi behandler alle muligheder gemt på CRM med NER funktionalitet fra SOFTWARE-TH-002. Med denne information om vilkår vi oprette en tabel til at gemme forholdet mellem term fundet med en mulighed resultat, køb eller afstå.
Vi tilføjede denne tabel ved hjælp af optælling af vilkår og beslutning, køb eller afstå. For at kvantificere, vi genererer en simpel score metode ved hjælp af følgende formel:
hvis (køb): count- id @ - @ term * 2
Tabel 4.1: Generel score ordbog
Term Score Maldiverne 13 Madrid 8.5....... Tanzania - 1 Bangkok - 1
Tabel 4.2: Score af tilbud ved hjælp af en mulighed tekst
Tilbud - Id Destination Sbling 13485 Maldiverne 350 15839 Costa Rica 150....... 14592 De Kanariske Øer 50 12394 Tanzania - 13.5
hvis (afvis): 1 ) / 2
Hvor Count- id @ - @ term repræsenterer det unikke antal gange, et id vises i en gruppe tabel (beslutning, vilkår). Med denne kvantificeringsmetode for de tre værktøjer, begynder vi at finde ud af, hvordan disse dokument tilbud er.
Vi tilføjer igen oplysninger med summen af en tidligere score for gruppe (term), generere et generelt endpoint til én vilkår givet enhver beslutning som vist i tabellen: 4.1
Karakter af udbudsdokumenter
Vi laver de tre zloty teknikker om at tilbyde dokumenter, gemt under.docxformat. Ideen er at få ved at bruge NER-termer, der er vigtige for dokumenter. Følgende udtryk er blevet tippet ved hjælp af den generelle ordbog som beskrevet i dette afsnit, så endelig fra en mulighed tekst får vi et sæt anbefalinger (tilbud dokumenter) sorteret efter score genereret med hans og hendes generelle ordbog. 4.2
Brug af forskellige NER-værktøjer
SOFTWARE-TH-002
SOFTWARE-TH-002 er et open source Python bibliotek for PLN, lanceret på 2015 og skabere af SOFTWARE-TH-002 beskrive hans arbejde som en industriel PLN. SOFTWARE-TH-002 kan arbejde med præuddannede sprogmodeller og ordvektorer for mere 60 sprog. Sprogmodellerne giver os mulighed for at udføre en række opgaver
Tabel 4.3: Speed Benchmark SOFTWARE-TH-002 i november 2022
LIBRAR-rørledninger WPS CPU og GPS SOFTWARE-TH-002 at _ core] web 10,014 14,954 SOFTWARE-TH-002 at _ carnatestrf 684 3,768 Stanza at _ ewt 878 2,180 Flair pos (-hurtig) & ner [- hurtig] 323 1,184 UdPipe engelsk- ewt- you 2.5 1,101 Ikke relevant
PLN, herunder anerkendelse af Vasiliev (NER) 2020 ).
Installér SOFTWARE-TH-002 Det er meget nemt at bruge zip, senere er du nødt til at downloade modellen fra SOFTWARE-TH-002 Flere er blevet testet i denne undersøgelse, med den bedste på _ core] web 's.sys, men vi arbejder i øjeblikket på spansk tekst som vores mål var at opdage de fleste af dem.
Vi tilføjer også et plugin kaldet nedspac og et element af rørledning SOFTWARE-TH-002 at nægte tekstbegreber, baseret på algoritme SOFTWARE-TH-005 Chapman et al. 2001 ). Med denne rørledning kan vi styre logikken i forskellige enheder, opdage, hvornår en enhed nægtes, og give bedre anbefalinger.
Med hensyn til hastighed, SOFTWARE-TH-002 er den hurtigste PLN bibliotek, kan vi også få et kig på dens referencepunkter [LINK-REDACTED] Vi sammenlignede hastigheden af forskellige zlotzbiblioteker, målt med ord per sekund (WPS): Jo højere og bedre de blev evalueret på 10,000 Reddit 's kommentarer:
SOFTWARE-TH-003
Ved udgangen af 2018, en gruppe af laboratorieforskere ORG-TH-008 Under ledelse af Devlin, indført en ny sprogmodel kaldet SOFTWARE-TH-003. Denne model er beregnet til en første og dybtgående uddannelse af tovejs tekstrepræsentation, der senere skal anvendes i automatiske læringsmodeller. Fordelen ved denne model er dens lethed at bruge, hvilket betyder at tilføje kun et output lag med den eksisterende neurale arkitektur for at opnå tekstmodeller, der opvejer alle dem, der i øjeblikket findes i flere Koroteev naturlige tekstproblemer ( 2021 ).
Til brug med SOFTWARE-TH-003 Vi arbejder med modellen: xlma- roberta -large- ner, disse modeller er en justeret XLM.Robat--large type for navn enhed anerkendelse (NER) om spansk del af datasættet NLL-200 2. Når de evalueres i testdelsættet af dette datasæt, får de en F1 score fra 89,17 er en af de bedste spanske NER til rådighed
På tidspunktet for dette eksperiment. Hastigheden af SOFTWARE-TH-003 NER er langsommere end med SOFTWARE-TH-002 men synes at være mere præcis i anbefalinger, når de er vellykkede, end i SOFTWARE-TH-002.
Fine tunet SOFTWARE-TH-003 På basis
Selv om dybtliggende læringsmodeller har nået den tekniske stade på mange NPL opgaver, disse model kræver uddannelse fra bunden og kræve store datasæt samt computerdage til at konvergere til en løsning. Forskning hos NLLP har hovedsagelig fokuseret på transduktiv overførsel. For inductiva overførsel, finjustering af indlejringer med præuddannede ord - en simpel overførsel teknik, der kun behandler det første lag og har haft en vigtig indvirkning på praksis. Det bruges i de fleste sidstegenerationsmodeller) Nylige tilgange, der indskriver sig fra andre opgaver med adgang til forskellige lag fortsætter med at træne den vigtigste opgavemodel på nul og behandle forudindstillede incruvales som faste parametre, hvilket begrænser deres anvendelighed. I lyset af fordelene ved prætræning, bør vi være i stand til at gøre noget bedre end tilfældigt at initialisere alle andre parametre for vores modeller. Induktiv overførsel gennem finjustering har imidlertid været forgæves for PLN, men som en første gang den glatte titrering af en (LM) sprog model kan være bedste løsning og kræver millioner dokumenter til at opnå god ydeevne med dem. Howard og Rog ( 2018 )
Vi bruger SOFTWARE-TH-002 Først til at tune vores transformer. For det første har vi foretaget følgende datamærkning:
Funa TYPE de O Honning TYEP africa DESNINATION Beach DJN DIY
Efter nogle konfigurationstrin trænede vi modellen SOFTWARE-TH-003. Landene...
Tabel 4.4: En sag konto til at generere en forvirrende matrix
Rigtige SOFTWARE-TH-002 SOFTWARE-TH-003 Fine Tuned Good Bad Good Good Bad 9 9 13 6 14 6 Forventet dårlig 15 7 11 10 10 10
De mest komplekse af de tre biblioteker er installation og produktion, men deres resultater er vist i dette afsnit.
4.3 Eksperimenter
4.3.1 Sammenligning af resultater ved hjælp af forvirrende matrixmålinger
Da vi sammenligner tre biblioteker med NER funktioner, de er helt forskellige og har fastslået, at for at foretage en sammenligning mellem de forskellige teknikker Vi havde brug for en interplay matrix procedure. Vi kategoriserer anbefalinger i form af god eller dårlig, så vi definerer den binære matrix som Real Recommendations og Previews.
Vi genererer en binær forvirring matrix, de tælles værdier er vist i tabellen 4.4 og de målinger, der opnås ved hver PLN teknik er vist i tabellen 4.5 Disse målinger viser, at bedste teknikker er fine- tuned, SOFTWARE-TH-003 og SOFTWARE-TH-002 I denne rækkefølge. Vi kan se, at der er teknikker til måling af de målte værdier. SOFTWARE-TH-003 og Fine Tuned er meget ens, selvom den sidste er bedre end hans første. Teknologien og produktionen heraf SOFTWARE-TH-002 Det er værre, med en stor forskel fra dem, men bedst til at styre logik mellem enheder.
Tabel 4.5: Metrics opnået for forskellige PLN teknikker
SOFTWARE-TH-002 SOFTWARE-TH-003 Nøjagtighed 0.4000 0.5750 0.6000 Præcision 0.5000 0.6842 0.7000 F1 Score 0.4286 0.6047 0.6364
4.3.2 Andre PLN-løsninger: ORG-TH-007
Vi besluttede at teste andre zlotzløsninger til vores formål. Vi har forsøgt at ORG-TH-007 med model 3.5 for pro-
NER cesus, med lignende resultater. Det er sandt, at de enheder, der anerkendes af ORG-TH-007 er mere end SOFTWARE-TH-002, SOFTWARE-TH-003 o Fine- Tunering, men arbejde med ORG-TH-007 skaber nye problemer, dens API kan ikke besvare på spansk og logikken i disse enheder er ikke misforstået eller fundet som følger:
For spørgsmålet:\ Svar på spansk. Honning Moon, noget i stil med New York og NO til Maldiverne med en bryllupsrejse for to mennesker. 15 august 2022 Tak.
Reaktionen fra ORG-TH-007 s:\ " 124, {Maldiverne}. 12 ). 15, 2022 (pos) 124;\ Også, for to mennesker}
Hvad en priori er en interessant funktionalitet, kunne generere dårlig anbefaling, fordi den indledende høring sagde: Maldiverne Nej og ORG-TH-007 Han vender tilbage præcis det modsatte, dårlige anbefaling.
Med vores model SOFTWARE-TH-002 ved at bruge det negative plugin og bruges til at benægte tekstbegreber med en algoritme SOFTWARE-TH-005 Vi kan arbejde bedre med logik mellem enheder, især ved at nægte dem. Denne form for kapacitet kan på nuværende tidspunkt ikke opnås med ORG-TH-007 og hans model 3.5 og med SOFTWARE-TH-003 Dette styres ved at associere med betydningen af en score sigt.
4.3.3 Fremtidig oprettelse af et virtuelt rejsebureau gennem multiagentursystemet
I en tidligere undersøgelse Moreno et al. ( 2022 ) bruger vi MAS til at fordele systemets arbejdsbyrde. Her anvender vi også dette med en bioinspireret arkitektur design til at organisere de forskellige processer, der er involveret, og så de kan sprede deres færdigheder eller efterligne dem fra fremtidige elektroniske rejsebureauer.
Som anført i det foregående afsnit er multiagentsystemer samlinger af uafhængige intelligente enheder, der samarbejder med dem om at løse komplekse problemer i fællesskab. Andre tidligere undersøgelser viser, hvorfor og hvordan de skal anvendes inden for turisme X. Wang et al ( 1997 ). Her er vi fokuseret på et specifikt, selv fremtidige problem i denne industri: hvordan man kan efterligne en agent for rejser.
Som vi har bemærket, kan rejsebureauer i dag betragtes som menneskelige anbefalinger, og de får en ansøgning. De behandler dem med deres bedste anbefaling tilbage til listen over lande, der i øjeblikket er under bedre behandling, ved at anmode om oplysninger om, hvordan disse foranstaltninger vil fungere på nationalt plan eller gennem lokale offentlige myndigheder i Sydafrikas økonomiske politik (se afsnit 4). 3 ) Kommissionen har fulgt op på dette spørgsmål: Men ud fra et teknisk modelperspektiv er anbefalingsprocessen kompleks og kræver, at mange andre processer - nogle analytikere eller flere operationer) deltager på en integreret måde for at opnå den bedste succes. Vi foreslår som en løsning en innovativ og bioinspireret MAS baseret på strukturen af myrer.
Den abstraktion af en myre giver mulighed for at organisere koden som en ramme, for eksempel hvor agent Reigns er ens med controller og soldater som modeller. Men som myren virker, gør den det muligt for denne type organisation at være en intelligent måde, f.eks. ved at integrere mere avancerede funktioner såsom og interagent forhandling. For at forbedre agenternes forhandlingsevner kunne der anvendes en trinvis afbalanceret metode til at nå til enighed mellem aktører, men også med mennesker og agenter ( 2003 ).
4.4 Konklusioner
PLN er den bedste kunstig intelligens teknik, der kan anvendes, når data tilhører teksttype. Efter at have prøvet tre forskellige open source-teknologier, ingen ville bruge disse løsninger til problemer, hvor løsningen har brug for at minimere falske positiver, som vi har vist i en tabel over talte tilfælde. Men efter at have prøvet andre kommercielle løsninger, såsom ORG-TH-007, området af open source-løsninger har stadig meget at sige på dette område.
Open source-teknologier er kun blevet testet mod deres NER funktioner, med flere egenskaber, der skal prøves som PLN teknikker, men der er en stor forskel mellem grundlæggende løsninger og SOFTWARE-TH-002 og grundlæggende løsninger SOFTWARE-TH-003 Og de sidste er bedst. Tilfældet med eksponeret brug er et godt eksempel på, hvordan PLN kan hjælpe andre virksomheder (ikke nødvendigvis relateret til turisme) med at opnå et højere niveau for tekstdata.
Udvidelsen af det bioinspirerede MAS baseret på en konkret struktur til at modellere et elektronisk rejsebureau er en ny løsning, der ikke kun viser, hvor komplet og alsidig MOM arkitektur foreslår, men også, at splid-up design regel vil hjælpe med kompleks systemimplementering.
Rapporteret til vores klient: COMPANY-002 open source løsning teknologier giver en meget god vision, der kunne hjælpe rejsebureauer hurtigt identificere vigtige enheder, mens du overvejer teksten af klientapplikationer.