Das Kapitel 4.1 führt Analyse und Entwicklung von fortschrittlichen Analysetechnologien ein, um den Prozess für die Empfehlung von Tourismusdienstleistungen in unserer Agentur zu optimieren COMPANY-002. Basierend auf früheren Untersuchungen, bei denen wir eine umfassende analytische Architektur und eine Methode zur automatischen Erkennung für potenzielle Kunden entwerfen, konzentriert sich dieser Abschnitt auf die Bewertung der an Kunden gesendeten Angebotsdokumente. Das Hauptziel besteht darin, zu überprüfen, ob die Empfehlungen präziser sind und auf die Wünsche oder Bedürfnisse der Kunden abgestimmt sind.
Dazu wurden sie analysiert 50 nach dem Zufallsprinzip ausgewählte Angebotsdokumente und die zugehörigen Texte unter Verwendung von Techniken der natürlichen Sprachverarbeitung (PLN). Es wurden Instrumente geschaffen. SOFTWARE-TH-002, SOFTWARE-TH-003 und SOFTWARE-TH-003 Um die Anerkennung von benannten Entitäten (NER) durchzuführen, damit sie Schlüsselbegriffe extrahieren und ein Rating-Wörterbuch erstellen können. Dieses Wörterbuch wurde verwendet, um die Relevanz von Angeboten als Ergebnis zu bewerten und hängt von seiner Bereitschaft ab.
Das Kapitel enthält auch einen Vergleich der verwendeten NER-Tools und bewertet deren Genauigkeit und Geschwindigkeit, insbesondere im spanischen Text. Dieser Ansatz zielt nicht nur darauf ab, die Personalisierung von Empfehlungen zu verbessern, sondern auch die effektivsten technologischen Lösungen zur Unterstützung von Reisebüros bei ihrer Entscheidungsfindung zu identifizieren.
4.1 Einleitung
In früheren Recherchen für unseren Kunden COMPANY-002 Wir haben eine umfassende analytische Architektur entworfen, um dem Unternehmen zu helfen, seinen Verkaufsprozess zu verbessern.
und wir konzipieren oder implementieren eine Methode zur automatischen Erkennung potenzieller Kunden. In dieser Untersuchung, die auf früheren Kenntnissen basiert, haben wir uns auf unsere Angebotsdokumente konzentriert, die während des Verkaufsprozesses an potenzielle Kunden gesendet wurden, um zu überprüfen, ob die Empfehlungen den Wünschen Ihres Kunden am besten entsprechen.
Um diesen Empfehlungsprozess im Detail zu studieren, wählen wir zufällig 50 bieten Dokumente und die damit verbundenen Textmöglichkeiten durch den Kunden an. Die Analyse der Textmöglichkeiten mit PLN wurde eingeleitet, um die Entitäten zu entfernen und ein allgemeines Wörterbuch zu erstellen, das je nach Neigung eine entitätsbezogene Punktzahl hatte. Dieses Score-Wörterbuch verwenden wir dann als Grundlage für eine eingehende Bewertung der Angebotsunterlagen mit drei verschiedenen Methoden: SOFTWARE-TH-003, SOFTWARE-TH-002 und einer basierend auf SOFTWARE-TH-003. All diese unterschiedlichen Technologien nutzen wir, um NER in den verschiedenen Texten zu realisieren. Die Namenserkennung (NER) ist eine wichtige Teilaufgabe bei der Verarbeitung natürlicher Sprache. In den letzten zehn Jahren wurden mehrere NER-Systeme entwickelt. Sie können auf verschiedene Domänen ausgerichtet werden, mit unterschiedlichen Methoden und in einer Reihe von Sprachen arbeiten. Um mehrere Typen mit einer Entität zu erkennen, werden sie gleichzeitig mit ihren Ein- oder Ausstiegsformaten zugelassen worden sein Diese Bedingungen machen es schwierig für einen technischen Benutzer, die geeigneten NER-Tools mit spezifischen Jiang et al. () 2016 ). Wir konzentrierten uns auf einen Vergleich von Shelar et al. ( 2020 ) mit drei verschiedenen NER-Tools unter Verwendung der Informationen unseres Kunden: COMPANY-002. Da unsere Kunden spanischen Text führen, versuchen wir, die beste Lösung für Galicia-Haro und al. () 2004 ).
4.2 Vorschlag
4.2.1 Analytische Prozesse mit einer Empfehlung
Erstellung des General Index Dictionary
Um ein allgemeines Score-Wörterbuch zu erstellen, verarbeiten wir alle bei CRM gespeicherten Möglichkeiten mit NER-Funktionalität aus SOFTWARE-TH-002. Mit diesen Informationen über Begriffe erstellen wir eine Tabelle, um das Verhältnis von Begriffen zu speichern, die mit einem Opportunitätsergebnis gefunden wurden, kaufen oder unterlassen.
Wir haben diese Tabelle mit der Anzahl der Bedingungen und Entscheidung, Kauf oder Unterlassung hinzugefügt. Um zu quantifizieren, erzeugen wir eine einfache Score-Methode mit der folgenden Formel:
if (Kauf): count-id@-@ term * 2
Tabelle 4.1: Allgemeines Score Wörterbuch
Term Score Malediven 13 Madrid 8.5....... Tansania - 1 Bangkok - 1
Tabelle 4.2: Score von Angeboten mit einem Gelegenheitstext
Angebot-Id Destination Sbling 13485 Malediven 350 15839 Costa Rica 150....... 14592 Kanarische Inseln 50 12394 Tansania - 13.5
Wenn (unterlassen): 1 ) / 2
Wobei Count-id@-@ Term die eindeutige Anzahl von Malen darstellt, an denen eine ID in einer Gruppentabelle erscheint (Entscheidung, Terme). Mit dieser Quantifizierungsmethode für die drei Tools beginnen wir herauszufinden, wie diese Dokumentangebote sind.
Wir fügen erneut Informationen mit der Summe einer früheren Punktzahl für Gruppe (Begriff) hinzu und erzeugen einen allgemeinen Endpunkt zu einem Begriff bei jeder Entscheidung, wie in der Tabelle gezeigt: 4.1
Bewertung der Ausschreibungsunterlagen
Wir führen die drei PLN-Techniken zum Anbieten von Dokumenten durch, die unter.docxformat gespeichert sind. Die Idee ist, NER-Begriffe zu verwenden, die für Dokumente wichtig sind. Die folgenden Begriffe wurden mit dem allgemeinen Wörterbuch, wie in diesem Abschnitt beschrieben, gekippt, so dass wir schließlich aus einem Gelegenheitstext eine Reihe von Empfehlungen (Angebotsdokumenten) erhalten, die nach Punkten sortiert sind und mit seinem und ihrem Allgemeinen Wörterbuch generiert wurden. 4.2
Verwendung verschiedener NER-Tools
SOFTWARE-TH-002
SOFTWARE-TH-002 ist eine Open Source Python-Bibliothek für PLN, gestartet bei 2015 und die Schöpfer der SOFTWARE-TH-002 Beschreiben Sie seine Arbeit als industriellen PLN. SOFTWARE-TH-002 kann mit vortrainierten Sprachmodellen und Wortvektoren für mehr arbeiten 60 Sprachen. Die Sprachmodelle ermöglichen es uns, eine Vielzahl von Aufgaben zu erfüllen
Tabelle 4.3: Geschwindigkeitsbenchmark SOFTWARE-TH-002 im November 2022
LIBRARY Pipelines WPS CPU und GPS SOFTWARE-TH-002 im core web 10,014 14,954 SOFTWARE-TH-002 bei core carnatestrf 684 3,768 Stanza bei ewt 878 2,180 Flair Pos (-schnell) & ner [-schnell] 323 1,184 UDPipe english-ewt-you 2.5 1,101 N/A
PLN, einschließlich Anerkennung von Vasiliev (NER) 2020 ).
Installieren SOFTWARE-TH-002 Es ist sehr einfach mit zip, später müssen sie das modell von herunterladen. SOFTWARE-TH-002 Mehrere wurden in dieser Studie getestet, mit den besten bei core web.sys, aber wir arbeiten derzeit an spanischem Text, da unser Ziel darin bestand, die meisten von ihnen zu erkennen.
Außerdem fügen wir ein Plugin namens nedspac und ein Element der Pipeline hinzu. SOFTWARE-TH-002 Leugnen von Textkonzepten, basierend auf Algorithmen SOFTWARE-TH-005 Chapman et al. 2001 ). Mit dieser Pipeline können wir die Logik in verschiedenen Entitäten verwalten, erkennen, wann eine Entität abgelehnt wird und eine bessere Empfehlung geben.
In Bezug auf die Geschwindigkeit, SOFTWARE-TH-002 ist die schnellste PLN-Bibliothek, wir können auch einen Blick auf ihre Referenzpunkte werfen [LINK-REDACTED] Wir haben die Geschwindigkeit verschiedener PLN-Bibliotheken verglichen, gemessen mit Wörtern pro Sekunde (WPS): Je höher und besser sie bei 10,000 Die Kommentare von Reddit:
SOFTWARE-TH-003
Am Ende des 2018, eine Gruppe von Laborwissenschaftlern ORG-TH-008 unter der Führung von Devlin, führte ein neues linguistisches Modell namens SOFTWARE-TH-003. Dieses Modell ist für eine erste und tiefgreifende Ausbildung der bidirektionalen Textdarstellung gedacht, die später in automatischen Lernmodellen verwendet werden soll. Der Vorteil dieses Modells ist seine Benutzerfreundlichkeit, was bedeutet, dass nur eine Ausgabeschicht mit der vorhandenen neuronalen Architektur hinzugefügt wird, um Textmodelle zu erhalten, die alle derzeit in mehreren natürlichen Koroteev-Texting-Problemen verfügbaren überwiegen. 2021 ).
zur Verwendung mit SOFTWARE-TH-003 Wir arbeiten mit dem Modell: xlma-roberta -large- ner, dieses Modell ist ein angepasster XLM.Robata - großer Typ für die Namensentitätserkennung (NER) über den spanischen Teil des Datensatzes NLL-200 2. Wenn sie in der Testuntermenge dieses Datensatzes ausgewertet werden, erhalten sie einen F1-Score von 89,17 als einer der besten verfügbaren spanischen NER
Zum Zeitpunkt dieses Experiments. Die Geschwindigkeit von SOFTWARE-TH-003 NER ist langsamer als mit SOFTWARE-TH-002 aber scheint in Empfehlungen präziser zu sein, wenn sie erfolgreich sind, als die von SOFTWARE-TH-002.
Fein abgestimmt SOFTWARE-TH-003 Basisbasis
Obwohl tiefgreifende Lernmodelle bei vielen NPL-Aufgaben den neuesten Stand der Technik erreicht haben, erfordern diese Modelle ein Training von Grund auf und erfordern großartige Datensätze sowie Computertage, um zu einer Lösung zu gelangen. Die Forschung am NLLP hat sich hauptsächlich auf den transduktiven Transfer konzentriert. Für die Induktiva-Übertragung, Feinabstimmung von Einbettungen mit vortrainierten Wörtern - eine einfache Übertragungstechnik, die nur die erste Schicht anspricht und einen wichtigen Einfluss auf die Praxis hatte. Es wird in den meisten Modellen der letzten Generation verwendet. Jüngste Ansätze, die Inlays von anderen Aufgaben mit dem Eintritt in verschiedene Schichten zugeben, trainieren weiterhin das Hauptaufgabenmodell bei Null und behandeln voreingestellte Inkruvale als feste Parameter, wodurch ihre Nützlichkeit eingeschränkt wird. Angesichts der Vorteile des Vortrainings sollten wir in der Lage sein, etwas Besseres zu tun, als alle anderen Parameter für unsere Modelle zufällig zu initialisieren. Die induktive Übertragung durch Feinabstimmung war jedoch für PLN erfolglos, aber als erstes Mal kann die glatte Titration eines (LM) Sprachmodells die beste Lösung sein und erfordert Millionen Dokumente, um mit ihnen eine gute Leistung zu erzielen. Howard und Rog 2018 )
Wir verwenden SOFTWARE-TH-002 Erster Schritt zur Abstimmung unseres Transformators. Zuerst haben wir die folgende Datenkennzeichnung durchgeführt:
Funa TYPE de O Honey TYEP africa DESNINATION beach DEJN DIY
Nach einigen Konfigurationsschritten haben wir das Modell trainiert SOFTWARE-TH-003. Die Länder...
Tabelle 4.4 Ein Fallkonto, um eine verwirrende Matrix zu erzeugen
Real SOFTWARE-TH-002 SOFTWARE-TH-003 Fine Tuned Good Bad Good Bad 9 9 13 6 14 6 Voraussichtlich schlecht 15 7 11 10 10 10
Die komplexesten der drei Bibliotheken sind Installation und Produktion, aber ihre Ergebnisse wurden in diesem Abschnitt gezeigt.
4.3 Experimente
4.3.1 Vergleich der Ergebnisse mit verwirrenden Matrixmetriken
Da wir drei Bibliotheken mit NER-Funktionalitäten vergleichen, sind sie völlig unterschiedlich und haben festgestellt, dass wir für einen Vergleich zwischen den verschiedenen Techniken ein Interaktionsmatrixverfahren benötigten. Wir kategorisieren Empfehlungen in Bezug auf gut oder schlecht, so dass wir die binäre Matrix als echte Empfehlungen und Previews definieren.
Wir erzeugen eine binäre Verwechslungsmatrix, die gezählten Werte werden in der Tabelle angezeigt 4.4 und die Metriken, die mit jeder PLN-Technik erhalten werden, sind in Tabelle aufgeführt 4.5 Diese Metriken zeigen, dass die besten Techniken fein abgestimmt sind. SOFTWARE-TH-003 und SOFTWARE-TH-002 in dieser Reihenfolge. Bei der Untersuchung der Metriken können wir feststellen, dass Techniken von SOFTWARE-TH-003 und Fine Tuned sind sich sehr ähnlich, obwohl der letzte besser ist als sein erster. Die Technologien und ihre Produktion SOFTWARE-TH-002 Es ist das Schlimmste, mit einem großen Unterschied zu ihnen, aber am besten, um Logik zwischen Entitäten zu verwalten.
Tabelle 4.5: Metriken für verschiedene PLN-Techniken
SOFTWARE-TH-002 SOFTWARE-TH-003 Genauigkeit 0.4000 0.5750 0.6000 Präzision 0.5000 0.6842 0.7000 F1 Wertung 0.4286 0.6047 0.6364
4.3.2 Weitere PLN-Lösungen: ORG-TH-007
Wir haben uns entschieden, andere PLN-Lösungen für unsere Zwecke zu testen. Wir haben versucht, die Dienste von ORG-TH-007 mit Modell 3.5 Für die Pro-
NER Cesus, mit ähnlichen Ergebnissen. Es stimmt, dass die Entitäten von ORG-TH-007 sind mehr als mit SOFTWARE-TH-002, SOFTWARE-TH-003 o Fine-Tuning, aber arbeiten mit ORG-TH-007 schafft neue Probleme, seine API kann nicht auf Spanisch antworten und die Logik dieser Entitäten wird nicht falsch betrachtet oder wie folgt gefunden:
Für die Frage: \ Antwort auf Spanisch. Honey Moon, so etwas wie New York und NEIN auf den Malediven mit Flitterwochen für zwei Personen. 15 von August 2022 Vielen Dank.
Die Antwort von ORG-TH-007 es: \ "ю" 124, {Maldiven}. 12 ). 15, 2022 {pos] 124;\ Auch für zwei Personen
Was a priori eine interessante Funktionalität ist, könnte schlechte Empfehlung erzeugen, weil die erste Konsultation sagte: Malediven Nein und ORG-TH-007 Er gibt genau das Gegenteil zurück, schlechte Empfehlung.
Mit unserem Modell SOFTWARE-TH-002 durch die Verwendung des negativen Plugins und verwendet, um Textkonzepte mit einem Algorithmus zu verweigern SOFTWARE-TH-005 Wir können besser mit Logik zwischen Entitäten arbeiten, besonders indem wir sie leugnen. Diese Art von Kapazität kann derzeit nicht mit ORG-TH-007 und sein Modell 3.5 und mit SOFTWARE-TH-003 Dies wird durch die verbindung mit der bedeutung eines score-begriffs verwaltet.
4.3.3 Zukünftige Erstellung eines virtuellen Reisebüros durch das Multiagentursystem
In einer früheren Untersuchung Moreno et al. ( 2022 Wir verwenden MAS, um die Arbeitslast des Systems zu verteilen. Hier wenden wir dies auch mit einem bioinspirierten Architekturdesign an, um die verschiedenen Prozesse zu organisieren und so ihre Fähigkeiten zu verbreiten oder sie von zukünftigen elektronischen Reisebüros nachzuahmen.
Wie im vorherigen Abschnitt erwähnt, sind Multiagentensysteme Sammlungen unabhängiger intelligenter Einheiten, die mit ihnen zusammenarbeiten, um komplexe Probleme gemeinsam zu lösen. Andere frühere Untersuchungen zeigen, warum und wie sie im Bereich des Tourismus X anzuwenden sind. Wang et al. () 1997 ). Hier konzentrieren wir uns auf ein spezifisches, sogar zukünftiges Problem dieser Branche: Wie kann man einen Agenten für Reisen emulieren?
Wie wir bereits erwähnt haben, können Reisebüros heute als menschliche Empfehlungen angesehen werden und sie erhalten eine Bewerbung. Sie verarbeiten sie mit ihrer besten Empfehlung zurück in die Liste der Länder, die derzeit eine bessere Entscheidung treffen, indem sie Informationen darüber beantragen, wie diese Maßnahmen auf nationaler Ebene oder durch lokale Behörden in Südafrikas Wirtschaftspolitik umgesetzt werden (siehe Abschnitt) 3 Die Kommission hat dieses Thema weiterverfolgt: Aus Sicht der technischen Modellierung ist der Empfehlungsprozess jedoch komplex und erfordert, dass viele andere Prozesse - einige Analysen oder mehr Operationen - auf integrierte Weise teilnehmen, um den besten Erfolg zu erzielen. Wir schlagen als Lösung ein innovatives und bioinspiriertes MAS vor, das auf der Struktur von Ameisen basiert.
Die Abstraktion einer Ameise ermöglicht es, den Code als Rahmen zu organisieren, zum Beispiel, wo Agent Reigns mit Controller- und Soldaten-ähnlichen Modellen ähnlich ist. Aber da die Ameise funktioniert, ermöglicht sie es dieser Art von Organisation, ein intelligenter Weg zu sein, zum Beispiel durch die Integration fortgeschrittenerer Funktionen wie und Verhandlungen zwischen Agenten. Um die Verhandlungsfähigkeiten der Agenten zu verbessern, könnte eine inkrementelle ausgewogene Methode verwendet werden, um eine Einigung zwischen den Akteuren, aber auch mit Menschen und Agenten zu erzielen. 2003 ).
4.4 Schlussfolgerungen
Der PLN ist die beste Technik der künstlichen Intelligenz, die angewendet werden kann, wenn Daten zum Texttyp gehören. Nachdem wir drei verschiedene Open-Source-Technologien ausprobiert haben, würde niemand diese Lösungen für Probleme verwenden, bei denen die Lösung falsch positive Ergebnisse minimieren muss, wie wir in einer Tabelle mit gezählten Fällen gezeigt haben. Aber nach dem Ausprobieren anderer kommerzieller Lösungen, wie ORG-TH-007 Der Bereich der Open Source Lösungen hat in diesem Bereich noch einiges zu sagen.
Open-Source-Technologien wurden nur gegen ihre NER-Funktionalitäten getestet, wobei mehr Eigenschaften als PLN-Techniken getestet werden können, aber es gibt einen großen Unterschied zwischen grundlegenden Lösungen und SOFTWARE-TH-002 und grundlegende Lösungen SOFTWARE-TH-003 Und die Letzten sind die Besten. Der Fall der exponierten Nutzung ist ein gutes Beispiel dafür, wie PLN anderen Unternehmen (die nicht unbedingt mit dem Tourismus zu tun haben) helfen kann, eine höhere Ebene für Textdaten zu erreichen.
Die Erweiterung des bioinspirierten MAS auf der Grundlage einer konkreten Struktur zum Modell eines elektronischen Reisebüros ist eine neue Lösung, die nicht nur zeigt, wie vollständige und vielseitige MOM-Architektur vorschlägt, sondern auch, dass die Aufteilungsregel bei der komplexen Systemimplementierung helfen wird.
Unserem Kunden gemeldet: COMPANY-002 Open-Source-Lösungstechnologien bieten eine sehr gute Vision, die Reisebüros helfen könnte, wichtige Einheiten schnell zu identifizieren, während sie den Text von Kundenanwendungen berücksichtigen.