Luku 4.1 ottaa käyttöön kehittyneiden analytiikkateknologioiden analyysin ja kehittämisen, jotta voidaan optimoida prosessi matkailupalvelujen suosittelemiseksi virastossamme COMPANY-002. Perustuen aiempaan tutkimukseen, jossa suunnittelemme kokonaisanalyyttisen arkkitehtuurin ja automaattisen havaitsemismenetelmän potentiaalisille asiakkaille, tässä osiossa keskitytään arvioimaan asiakkaille lähetettyjä tarjousasiakirjoja. Päätavoitteena on tarkistaa, että suositukset ovat tarkempia ja yhdenmukaisia asiakkaiden toiveiden tai tarpeiden kanssa.
Tätä varten analysoitiin 50 sattumanvaraisesti valitut tarjoavat asiakirjoja ja niihin liittyviä tekstejä käyttäen luonnollista kielenkäsittelytekniikkaa (PLN). Työkalut on otettu käyttöön. SOFTWARE-TH-002, SOFTWARE-TH-003 sekä SOFTWARE-TH-003 Jotta nimetyt yhteisöt (NER) voidaan tunnustaa, ne voivat poimia keskeiset termit ja rakentaa luokitussanakirjan. Tätä sanakirjaa käytettiin arvioitaessa tarjousten merkityksellisyyttä ja hänen halukkuudestaan riippuen.
Luvussa vertaillaan myös käytettyjä NER-työkaluja ja arvioidaan niiden tarkkuutta ja nopeutta erityisesti espanjankielisessä tekstissä. Tällä lähestymistavalla pyritään paitsi parantamaan suositusten yksilöllistämistä myös löytämään tehokkaimmat tekniset ratkaisut matkatoimistojen tukemiseksi päätöksenteossaan.
4.1 Johdanto
Edellisessä tutkimuksessa asiakkaallemme COMPANY-002 Suunnittelimme kokonaisanalyysiarkkitehtuurin, joka auttaa yritystä parantamaan myyntiprosessiaan.
ja me suunnittelemme tai toteutamme menetelmän mahdollisten asiakkaiden automaattiseen havaitsemiseen. Tässä tutkimuksessa, joka perustuu aiempaan tietoon, keskityimme tarjousdokumentteja lähetetään mahdollisille asiakkaille myynnin aikana, jotta voidaan varmistaa, että suositukset parhaiten asiakkaan toiveita.
Tutkia tätä suositusprosessia yksityiskohtaisesti, valitsemme sattumanvaraisesti 50 tarjota asiakirjoja ja niihin liittyviä tekstimahdollisuuksia asiakkaan. Tekstimahdollisuuksien analysointi PLN:n kanssa aloitettiin yhteisöjen poistamiseksi ja sellaisen yleisen sanakirjan perustamiseksi, jossa oli yhteisöön liittyvät pisteet niiden taipumuksesta riippuen. Käytämme tätä pisteytyssanakirjaa perustana tarjousasiakirjojen perusteelliselle arvioinnille käyttäen kolmea eri menetelmää: SOFTWARE-TH-003, SOFTWARE-TH-002 ja yksi perustuu SOFTWARE-TH-003. Käytämme kaikkia näitä eri tekniikoita ymmärtääksemme NER:n eri teksteissä. Nimentunnistus (NER) on tärkeä alatehtävä luonnollisen kielen käsittelyssä. Viime vuosikymmenen aikana on kehitetty useita NER-järjestelmiä. Ne voidaan suunnata eri aloille eri menetelmiä käyttäen ja useilla kielillä. Useiden tyyppien havaitseminen yhteisön kanssa on sallittua samaan aikaan kuin niiden tulo- tai poistumismuodot Nämä ehdot vaikeuttavat teknisen käyttäjän mahdollisuutta valita asianmukaiset NER-työkalut erityisillä Jiang et al. ( 2016 ). Keskityimme tekemään Shelar et al vertailu. ( 2020 ) kolmella eri NER-työkalulla, käyttäen asiakkaamme tietoja: COMPANY-002. Koska asiakkaamme tekevät espanjankielistä tekstiä, pyrimme löytämään parhaan ratkaisun Galicia-Haron ja al. ( 2004 ).
4.2 Ehdotus
4.2.1 Suositukseen liittyvät analyysiprosessit
Yleisen indeksin sanakirjan luominen
Luodaksemme yleisen pistesanakirjan, käsittelemme kaikki CRM:ään NER-toiminnolla tallennetut mahdollisuudet SOFTWARE-TH-002. Tämän tiedon termeistä luomme taulukon tallentaa suhde termin löytyi mahdollisuus tulos, osto tai lopettaa.
Lisäsimme tuon taulukon käyttämällä määrä ehtoja ja päätöksiä, osto tai lopettaa. Voit määrittää, luomme yksinkertainen pisteytysmenetelmä käyttämällä seuraavaa kaavaa:
jos (osto): count-id@-@ term * 2
Taulukko 4.1: Yleinen pisteytys sanakirja
Termi Malediiveja 13 Madrid 8.5....... Tansania 1 Bangkok - 1
Taulukko 4.2: Tarjousten määrä käyttäen mahdollisuutta tekstiä
Tarjouksen kohde Sbling 13485 Malediivit 350 15839 Costa Rica 150....... 14592 Kanariansaaret 50 12394 Tansania 13.5
jos (poistaa): 1 ) / 2
Jos Count-id@-@-termi edustaa ainutlaatuista määrää kertaa, joka näkyy ryhmätaulukossa (päätös, ehdot). Tällä määritysmenetelmällä kolme työkalua, alamme selvittää, miten nämä dokumentti tarjoukset ovat.
Lisäämme jälleen tiedot summa aikaisemmin pisteytyksen ryhmälle (termi), tuottaa yleisen päätepisteen yksi termiä annetaan kaikki päätökset kuten taulukossa esitetään: 4.1
Huutokauppa-asiakirjojen määrä
Käytämme kolmea PLN tekniikoita tarjota asiakirjoja, jotka on tallennettu alle.docxformat. Ajatuksena on päästä läpi käyttämällä NER termejä tärkeitä asiakirjoja. Seuraavat termit on käännetty käyttämällä yleistä sanakirjaa tässä jaksossa kuvatulla tavalla, joten lopuksi mahdollisuustekstistä saamme joukon suosituksia (tarjousasiakirjat) lajiteltuna pisteyttämällä hänen ja hänen General Dictionary. 4.2
NER-työkalujen käyttö
SOFTWARE-TH-002
SOFTWARE-TH-002 on avoimen lähdekoodin Python-kirjasto PLN:lle, joka käynnistetään osoitteessa 2015 ja luojat SOFTWARE-TH-002 Kuvailkaa hänen työtään teollisena zlotyna. SOFTWARE-TH-002 voi työskennellä ennalta koulutettujen kielimallien ja sanavektorien kanssa enemmän 60 kielet. Kielimallien avulla voimme suorittaa erilaisia tehtäviä
Taulukko 4.3: Nopeuden vertailuarvo SOFTWARE-TH-002 marraskuussa 2022
Kirjastoputket WPS CPU ja GPS SOFTWARE-TH-002 core]-verkkosivustossa 10,014 14,954 SOFTWARE-TH-002 core carnatestrf 684 3,768 Stanza at ewt 878 2,180 Flair pos (- fast) & ner [- quick] 323 1,184 UDPipe english-out you 2.5 1,101 N / A
PLN, mukaan lukien Vasiliev (NER) 2020 ).
Asenna SOFTWARE-TH-002 Se on erittäin helppo käyttää zip, myöhemmin sinun täytyy ladata malli SOFTWARE-TH-002 Useita on testattu tässä tutkimuksessa, paras core] web's.sys, mutta olemme parhaillaan työstämässä espanjankielistä tekstiä, koska tavoitteenamme oli havaita useimmat niistä.
Lisäksi lisäämme plugin kutsutaan nedspac ja putkiston SOFTWARE-TH-002 kieltää tekstikäsitteet, jotka perustuvat algoritmi SOFTWARE-TH-005 Chapman et al. 2001 ). Tällä putkella voimme hallita logiikkaa, joka liittyy eri yksiköihin, havaita, milloin entiteetti evätään, ja antaa paremman suosituksen.
Mitä nopeuteen tulee, SOFTWARE-TH-002 on nopein PLN-kirjasto, voimme myös tarkastella sen viitearvoja [LINK-REDACTED] Vertasimme eri PLN-kirjastojen nopeutta sekunnilla mitattuna: 10,000 Reddit kommentit:
SOFTWARE-TH-003
Loput 2018, ryhmä laboratoriotutkijoita ORG-TH-008 Devlinin johdolla, esitteli uuden kielellisen mallin nimeltä SOFTWARE-TH-003. Tämä malli on tarkoitettu kaksisuuntaisen tekstiesittelyn ensimmäiseen ja perusteelliseen koulutukseen, jota käytetään myöhemmin automaattisissa oppimismalleissa. Tämän mallin etuna on sen helppokäyttöisyys, mikä tarkoittaa, että siihen lisätään vain tulostekerros, jossa on nykyinen hermorakenne, jotta saadaan tekstimalleja, jotka ovat suurempia kuin kaikki ne, joita tällä hetkellä on saatavilla useissa Koroteevin luonnollisissa tekstiviesteissä ( 2021 ).
Käytetään yhdessä SOFTWARE-TH-003 Toimimme mallin kanssa: xlma-roberta -large-ner, tämä malli on mukautettu XLM.Robata-suuri tyyppi nimi yhteisötunnustus (NER) noin espanja osa aineistosta NLL-200 2. Tämän aineiston testiosajoukossa arvioituna he saavat F1-pistemäärän 89,17 olla yksi parhaista Espanjan NER saatavilla
Tämän kokeen aikaan. Nopeus SOFTWARE-TH-003 NER on hitaampi kuin SOFTWARE-TH-002 mutta näyttää olevan tarkempia suosituksissa, kun ne onnistuvat, kuin SOFTWARE-TH-002.
Hieno viritetty SOFTWARE-TH-003 Perusteltu
Vaikka syvälliset oppimismallit ovat saavuttaneet huipputason monissa NPL-tehtävissä, tämä malli edellyttää koulutusta tyhjästä ja vaatii suuria tietoaineistoja sekä tietokonepäiviä, jotta se voi lähentyä ratkaisuksi. NLLP:n tutkimuksessa on keskitytty pääasiassa transduktiiviseen siirtoon. Inductiva-siirrolle hienosäätöä varten esikoulutettujen sanojen kanssa - yksinkertainen siirtotekniikka, joka koskee vain ensimmäistä kerrosta ja jolla on ollut merkittävä vaikutus käytäntöön. Sitä käytetään useimmissa viimeisimmän sukupolven malleissa) Viimeaikaiset lähestymistavat, jotka antavat tietoja muista tehtävistä eri kerroksiin siirryttäessä, kouluttavat päätehtävämallia edelleen nollassa ja kohtelevat esiasetettuja häiriötekijöitä kiinteinä parametreina, mikä rajoittaa niiden hyödyllisyyttä. Kun otetaan huomioon esikoulutuksesta saatavat hyödyt, meidän pitäisi pystyä tekemään jotain parempaa kuin ajoittaisesti alustamalla kaikki muut parametrit malleillemme. Hienosäätöinen induktiivinen siirto ei kuitenkaan ole onnistunut PLN:n osalta, mutta ensimmäisen kerran (LM) kielimallin sujuva titraus voi olla paras ratkaisu ja edellyttää miljoonia asiakirjoja, jotta niillä saavutetaan hyvä suorituskyky. Howard ja Rog ( 2018 )
Käytämme SOFTWARE-TH-002 Ensin virittämään muuntajaa. Ensinnäkin teimme seuraavat merkintätiedot:
Funa TYPE de O Honey TYEP Afrika DESNINATION Beach DEJN DIY
Joidenkin konfiguraatiovaiheiden jälkeen koulutimme mallin SOFTWARE-TH-003. Maat...
Taulukko 4.4: Tapaustili hämmentävän matriisin luomiseksi
Todellinen SOFTWARE-TH-002 SOFTWARE-TH-003 Hieno viritetty Hyvä Huono Huono 9 9 13 6 14 6 Ennakoitu huono 15 7 11 10 10 10
Monimutkaisimpia näistä kolmesta kirjastosta ovat asennus ja tuotanto, mutta niiden tulokset on esitetty tässä jaksossa.
4.3 Kokeet
4.3.1 Tulosten vertailu sekavilla matriksimittareilla
Koska vertaamme kolmea kirjastoa NER-toimintoihin, ne ovat täysin erilaisia ja ovat vahvistaneet, että eri tekniikoiden vertailuun tarvitaan interplay matriisimenettely. Me luokitella suosituksia kannalta hyvä tai huono, joten määrittelemme binary matriisi kuin Real Suositukset ja Esikatselut.
Luomme binäärisen hämmennyksen matriksin. Lasketut arvot esitetään taulukossa. 4.4 ja kullakin PLN-tekniikalla saadut mittarit on esitetty taulukossa 4.5 Nämä mittarit osoittavat, että parhaat tekniikat ovat hienosäänettyjä, SOFTWARE-TH-003 sekä SOFTWARE-TH-002 tässä järjestyksessä. Tarkasteltaessa mittareita voimme todeta, että tekniikoita SOFTWARE-TH-003 Ja Fine Tuned ovat hyvin samanlaisia, vaikka viimeinen on parempi kuin hänen ensimmäinen. Teknologiat ja niiden tuotanto SOFTWARE-TH-002 Se on pahempi, jossa on suuri ero niihin, mutta paras hallita logiikkaa olentojen välillä.
Taulukko 4.5: Eri PLN-tekniikoita varten valmistettu metrics
SOFTWARE-TH-002 SOFTWARE-TH-003 Tarkkuus 0.4000 0.5750 0.6000 Tarkkuus 0.5000 0.6842 0.7000 F1 Pisteet 0.4286 0.6047 0.6364
4.3.2 Muut PLN-ratkaisut: ORG-TH-007
Päätimme testata muita PLN-ratkaisuja käyttökohteisiimme. Olemme yrittäneet ORG-TH-007 mallilla 3.5 (-)
NER cesus, jolla on samanlaiset tulokset. On totta, että yhteisöt tunnistavat ORG-TH-007 ovat enemmän kuin SOFTWARE-TH-002, SOFTWARE-TH-003 o Fine-Tuning mutta työskennellä ORG-TH-007 luo uusia ongelmia, sen API ei voi vastata espanjaksi ja logiikka näiden yksiköiden ei ole väärin harkittu tai todettu seuraavasti:
Kysymykseen:\ Vastaus espanjaksi. Honey Moon, kuten New York ja NO Malediiville - ja häämatka kahdelle ihmiselle. 15 elokuuta 2022 Kiitos.
Vastaukset ORG-TH-007 es:\ "... 124, {Maldives}. 12 ). 15, 2022 {pos) 124;\ Myös, kahdelle ihmiselle}
Mikä priori on mielenkiintoinen toiminnallisuus, voisi tuottaa huono suositus, koska alustavassa kuulemisessa todettiin: Malediivien ei ja ORG-TH-007 Hän palaa täysin päinvastaiseen, huonoon suositukseen.
Meidän mallillamme. SOFTWARE-TH-002 käyttämällä negatiivista plugin ja käytetään kieltämään teksti käsitteitä algoritmi SOFTWARE-TH-005 Voimme työskennellä paremmin entiteettien välisen logiikan kanssa, erityisesti kieltämällä ne. Tällä hetkellä tällaista kapasiteettia ei voida saavuttaa ORG-TH-007 ja hänen mallinsa 3.5 ja SOFTWARE-TH-003 Tätä hallinnoidaan ottamalla huomioon pisteytystermin merkitys.
4.3.3 Virtuaalisen matkatoimiston perustaminen tulevaisuudessa monitoimistojärjestelmän kautta
Edellisessä tutkimuksessa Moreno et al. ( 2022 ) Käytämme MAS:ää jakaaksemme järjestelmän työmäärän. Sovellamme tätä myös bioinspiroidulla arkkitehtuurisuunnittelulla, jotta eri prosessit voidaan järjestää ja jotta he voivat levittää taitojaan tai jäljitellä niitä tulevista sähköisistä matkatoimistoista.
Kuten edellisessä jaksossa todetaan, moniainejärjestelmät ovat riippumattomien älykkäiden yksiköiden kokoelmia, jotka tekevät yhteistyötä niiden kanssa monimutkaisten ongelmien ratkaisemiseksi yhdessä. Muut aikaisemmat tutkimukset osoittavat, miksi ja miten niitä sovelletaan matkailun alalla X. Wang et al. ( 1997 ). Olemme keskittyneet tämän alan erityiseen, jopa tulevaan ongelmaan: matkustajan jäljittelemiseen.
Kuten olemme huomanneet, tänään matkatoimistoja voidaan pitää ihmissuosituksina ja he saavat hakemuksen. Ne käsittelevät niitä parhaalla suosituksellaan takaisin niiden maiden luetteloon, joiden päätös on tällä hetkellä parempi, pyytämällä tietoja siitä, miten nämä toimenpiteet toteutetaan kansallisella tasolla tai paikallisten viranomaisten kautta Etelä-Afrikan talouspolitiikoissa (ks. 3 ) Komissio on seurannut asiaa: Teknisen mallintamisen näkökulmasta suositusprosessi on monimutkainen ja edellyttää, että monet muut prosessit - jotkin analytiikka tai useampia toimintoja - osallistuvat yhtenäisellä tavalla parhaan menestyksen aikaansaamiseksi. Ehdotamme ratkaisuna innovatiivista ja bioinspiroitua MAS-järjestelmää, joka perustuu muurahaisten rakenteeseen.
Muurahaisen abstraktio mahdollistaa koodin järjestämisen kehyksenä, esimerkiksi silloin, kun agentti Reigns on samanlainen ohjaimen ja sotilaiden kuten mallien kanssa. Mutta kun muurahainen toimii, sen avulla tällainen organisaatio voi olla älykäs tapa esimerkiksi yhdistämällä edistyneempiä ominaisuuksia, kuten agenttien välisiä neuvotteluja. Toimijoiden neuvottelutaitojen parantamiseksi voitaisiin käyttää asteittain tasapainoista menetelmää, jotta päästäisiin sopimukseen toimijoiden välillä mutta myös ihmisten ja agenttien kanssa. ( 2003 ).
4.4 Päätelmät
PLN on paras tekoälytekniikka, jota voidaan käyttää silloin, kun tiedot kuuluvat tekstityyppiin. Kokeiltuamme kolmea erilaista avoimen lähdekoodin teknologiaa kukaan ei käyttäisi näitä ratkaisuja ongelmiin, joissa ratkaisun on minimoitava vääriä positiivisia tuloksia, kuten olemme osoittaneet taulukossa laskettuja tapauksia. Mutta kokeiltuaan muita kaupallisia ratkaisuja, kuten ORG-TH-007, alalla avoimen lähdekoodin ratkaisuja on vielä paljon sanottavaa tällä alalla.
Avoimen lähdekoodin tekniikoita on testattu vain niiden NER-toimintoihin nähden, ja niillä on enemmän ominaisuuksia, joita on kokeiltava PLN-tekniikoina, mutta perusratkaisujen ja SOFTWARE-TH-002 ja perusratkaisut SOFTWARE-TH-003 Ja nämä viimeiset ovat parhaita. Altistunut käyttö on hyvä esimerkki siitä, miten PLN voi auttaa muita yrityksiä (jotka eivät välttämättä liity matkailuun) saavuttamaan tekstitietojen ylemmän tason.
Bioinspiroidun, konkreettiseen rakenteeseen perustuvan MAS:n laajentaminen sähköisen matkatoimiston malliksi on uusi ratkaisu, joka osoittaa paitsi, kuinka kattava ja monipuolinen MOM-arkkitehtuuri tarjoaa, myös, että jakosääntö auttaa monimutkaista järjestelmän toteutusta.
Raportoitu asiakkaallemme: COMPANY-002 avoimen lähdekoodin ratkaisuteknologiat tarjoavat erittäin hyvän vision, joka voisi auttaa matkatoimistoja tunnistamaan nopeasti tärkeitä yksikköjä samalla kun otetaan huomioon asiakassovellusten teksti.