Le chapitre 4.1 introduit l'analyse et le développement de technologies d'analyse avancées pour optimiser le processus de recommandation des services touristiques à notre agence COMPANY-002. Sur la base de recherches antérieures, où nous concevons une architecture analytique globale et une méthode de détection automatique pour les clients potentiels, cette section se concentre sur l'évaluation des documents d'offre envoyés aux clients. L'objectif principal est de vérifier que les recommandations sont plus précises et alignées sur les souhaits ou les besoins des clients.
À cette fin, ils ont été analysés. 50 Les documents et les textes associés sont choisis au hasard à l'aide de techniques de traitement en langage naturel (PLN). Des outils ont été mis en place. SOFTWARE-TH-002, SOFTWARE-TH-003 et SOFTWARE-TH-003 Conduire la reconnaissance des entités désignées (NER), leur permettant d'extraire les termes clés et de construire un dictionnaire de notations. Ce dictionnaire a été utilisé pour évaluer la pertinence des offres en conséquence et dépend de sa volonté.
Le chapitre comprend également une comparaison des outils NER utilisés, en évaluant leur précision et leur vitesse, en particulier dans le texte espagnol. Cette approche vise non seulement à améliorer la personnalisation des recommandations, mais aussi à identifier les solutions technologiques les plus efficaces pour aider les agents de voyages à prendre des décisions.
4.1 Présentation
Dans la recherche précédente pour notre client COMPANY-002 nous avons conçu une architecture analytique globale pour aider l'entreprise à améliorer son processus de vente
et nous concevons ou implémentons une méthode de détection automatique des clients potentiels. Dans cette recherche basée sur des connaissances antérieures, nous nous sommes concentrés sur nos documents d'offre envoyés à des clients potentiels pendant le processus de vente afin de vérifier que les recommandations correspondent le mieux aux souhaits de votre client.
Pour étudier ce processus de recommandation en détail, nous choisissons au hasard 50 offrir des documents et les possibilités de texte associées par le client. L'analyse des possibilités de texte avec PLN a été lancée afin de supprimer les entités et de mettre en place un dictionnaire général qui avait un score lié à l'entité, selon leur propension. Nous utilisons ensuite ce dictionnaire de scores comme base pour une évaluation approfondie des documents d'offre en utilisant trois méthodes différentes: SOFTWARE-TH-003, SOFTWARE-TH-002 et d ' une base fondée sur SOFTWARE-TH-003. Nous utilisons toutes ces différentes technologies pour réaliser le RNE dans les différents textes. La reconnaissance des noms (NER) est une sous-tâche importante dans le traitement du langage naturel. Plusieurs systèmes NER ont été développés au cours de la dernière décennie. Ils peuvent être orientés vers différents domaines, en utilisant des méthodologies différentes et en travaillant dans un certain nombre de langues. Pour détecter plusieurs types avec une entité ils auront été autorisés en même temps que leurs formats d'entrée ou de sortie Ces conditions rendent difficile pour un utilisateur technique de sélectionner les outils NER appropriés avec Jiang et al. ( 2016 ). Nous nous sommes efforcés de faire une comparaison avec Shelar et al. ( 2020 ) avec trois outils NER différents, en utilisant les informations de notre client: COMPANY-002. Depuis que nos clients conduisent le texte espagnol, nous essayons d'obtenir la meilleure solution pour cette Galicia-Haro et al. ( 2004 ).
4.2 Proposition
4.2.1 Processus d'analyse liés à une recommandation
Création du dictionnaire général de l'index
Pour créer un dictionnaire de scores général, nous traitons toutes les opportunités stockées au CRM avec la fonctionnalité NER de SOFTWARE-TH-002. Avec ces informations sur les termes, nous créons une table pour stocker le ratio de terme trouvé avec un résultat d'opportunité, d'achat ou de désistement.
Nous avons ajouté ce tableau en utilisant le nombre de termes et de décision, d'achat ou de désistement. Pour quantifier, nous générons une méthode de partition simple en utilisant la formule suivante:
si (achat): nombre-id@-@ terme * 2
Tableau 4.1: Dictionnaire de partitions générales
Score pour une période déterminée Maldives 13 Espagne 8.5....... Tanzanie - 1 Bangkok - 1
Tableau 4.2: Score des offres utilisant un texte d'opportunité
Offre-Id Destination fratrie 13485 Maldives 350 15839 Costa Rica 150....... 14592 Îles Canaries 50 12394 Tanzanie - 13.5
Si (désistent): 1 ) / 2
Où Count-id@-@ terme représente le nombre unique de fois qu'un id apparaît dans une table de groupe (décision, termes). Avec cette méthode de quantification pour les trois outils, nous commençons à comprendre comment ces documents sont offerts.
Nous ajoutons à nouveau des informations avec la somme d'un score antérieur pour le groupe (terme), générant un paramètre général à un terme donné à toute décision, comme le montre le tableau: 4.1
Cote des documents d'appel d'offres
Nous réalisons les trois techniques PLN sur l'offre de documents, stockées sous.docxformat. L'idée est d'obtenir en utilisant des termes NER importants pour les documents. Les termes suivants ont été mis au point à l'aide du dictionnaire général tel que décrit dans cette section, donc finalement à partir d'un texte d'opportunité nous obtenons une série de recommandations (documents d'offre) triées par la partition générée avec son dictionnaire général. 4.2
Utilisation de différents outils NER
SOFTWARE-TH-002
SOFTWARE-TH-002 est une bibliothèque Python open source pour PLN, lancée à 2015 et les créateurs de SOFTWARE-TH-002 décrire son travail comme un PLN industriel. SOFTWARE-TH-002 peut travailler avec des modèles de langue pré-formés et des vecteurs de mots pour plus 60 langues officielles. Les modèles de langage nous permettent d'exécuter une variété de tâches
Tableau 4.3: Repères de vitesse SOFTWARE-TH-002 en novembre 2022
Pipelines PIBRAIRES WPS CPU et GPS SOFTWARE-TH-002 à cœur] web 10,014 14,954 SOFTWARE-TH-002 à cœur carnatestrf 684 3,768 Stanza à ewt 878 2,180 Flair pos (-rapide) & ner [- rapide] 323 1,184 UDPipe anglais-ewt-vous 2.5 1,101 N / A
PLN, y compris la reconnaissance de Vasiliev (NER) 2020 ).
Installer SOFTWARE-TH-002 Il est très facile à utiliser zip, plus tard vous devez télécharger le modèle de SOFTWARE-TH-002 Plusieurs ont été testés dans cette étude, avec le meilleur à core] web's.sys mais nous travaillons actuellement sur le texte espagnol car notre objectif était de détecter la plupart d'entre eux.
Aussi, nous ajoutons un plugin appelé nedspac et un élément de pipeline SOFTWARE-TH-002 refuser les concepts de texte, basés sur l'algorithme SOFTWARE-TH-005 Chapman et al. 2001 ). Avec ce pipeline, nous pouvons gérer la logique des différentes entités, détecter quand une entité est refusée et fournir de meilleures recommandations.
En termes de vitesse, SOFTWARE-TH-002 est la bibliothèque PLN la plus rapide, nous pouvons également regarder ses points de référence [LINK-REDACTED] Nous avons comparé la vitesse de différentes bibliothèques PLN, mesurée par des mots par seconde (WPS): 10,000 Les commentaires de Reddit:
SOFTWARE-TH-003
À la fin 2018, un groupe de scientifiques de laboratoire ORG-TH-008 sous la direction de Devlin, a introduit un nouveau modèle linguistique appelé SOFTWARE-TH-003. Ce modèle est destiné à une première et profonde formation de la représentation bidirectionnelle du texte qui sera plus tard utilisée dans les modèles d'apprentissage automatique. L'avantage de ce modèle est sa facilité à utiliser, ce qui signifie n'ajouter qu'une couche de sortie avec l'architecture neuronale existante pour obtenir des modèles de texte qui l'emportent sur tous ceux actuellement disponibles dans plusieurs problèmes de texte naturel de Koroteev ( 2021 ).
Pour utilisation avec SOFTWARE-TH-003 Nous travaillons avec le modèle: xlma-roberta -large-ner, ce modèle est un XLM ajusté.Robata--large type for name entity reconnaissance (NER) about Spanish part of dataset NLL-200 2. Lorsqu'ils sont évalués dans le sous-ensemble de test de cet ensemble de données, ils obtiennent un score F1 de 89,17 étant l'un des meilleurs NER espagnols disponibles
au moment de cette expérience. La vitesse de SOFTWARE-TH-003 NER est plus lent qu'avec SOFTWARE-TH-002 mais semble être plus précise dans les recommandations quand elles sont réussies, que celle de SOFTWARE-TH-002.
Alignement fin SOFTWARE-TH-003 Basé sur
Bien que les modèles d'apprentissage profond aient atteint l'état de la technique à de nombreuses tâches NPL, ces modèles nécessitent une formation à partir de zéro et exigent de grands ensembles de données ainsi qu'avec des journées informatiques pour converger vers une solution. La recherche au NLLP s'est concentrée principalement sur le transfert transductif. Pour le transfert d'inductiva, réglage fin des emboîtements avec des mots préformés - une technique de transfert simple qui ne s'adresse qu'à la première couche et a eu un impact important sur la pratique. Il est utilisé dans la plupart des modèles de dernière génération) Des approches récentes qui concèdent des incrustations d'autres tâches avec entrée dans différentes couches continuent de former le modèle de tâche principale à zéro et de traiter les incrustations prédéfinies comme des paramètres fixes, limitant ainsi leur utilité. Compte tenu des avantages de la préformation, nous devrions être en mesure de faire quelque chose de mieux que d'initialiser au hasard tous les autres paramètres de nos modèles. Le transfert inductif par réglage fin a cependant échoué pour PLN, mais pour la première fois le titrage en douceur d'un modèle de langage (LM) peut être la meilleure solution et nécessite des millions de documents pour obtenir de bonnes performances avec eux. Howard et Rog ( 2018 )
Nous utilisons SOFTWARE-TH-002 d'abord pour régler notre transformateur. Tout d'abord, nous avons procédé à l'étiquetage des données suivantes:
Funa TYPE de O Honey TYEP afrique DESNINATION beach DEJN DIY
Après quelques étapes de configuration, nous avons formé le modèle SOFTWARE-TH-003. Les pays...
Tableau 4.4: Un compte de cas pour générer une matrice confuse
Réel SOFTWARE-TH-002 SOFTWARE-TH-003 Bien bien mal mal mal 9 9 13 6 14 6 Mauvaise prévision 15 7 11 10 10 10
Le plus complexe des trois bibliothèques est l'installation et la production, mais leurs résultats ont été montrés dans cette section.
4.3 Expériences
4.3.1 Comparaison des résultats à l'aide de matrices déroutantes
Puisque nous comparons trois bibliothèques avec des fonctionnalités NER, elles sont complètement différentes et ont établi que pour faire une comparaison entre les différentes techniques Nous avions besoin d'une procédure de matrice d'interaction. Nous catégorisons les recommandations en termes de bon ou mauvais, donc nous définissons la matrice binaire comme des recommandations et des aperçus réels.
Nous générons une matrice de confusion binaire, les valeurs comptées sont indiquées dans le tableau 4.4 et les mesures obtenues par chaque technique PLN sont indiquées dans le tableau 4.5 ces métriques montrent que les meilleures techniques sont affinées, SOFTWARE-TH-003 et SOFTWARE-TH-002 dans cet ordre. En examinant les paramètres, nous pouvons noter que les techniques de SOFTWARE-TH-003 et Fine Tuned sont très semblables, bien que le dernier soit meilleur que le premier. Les technologies et leur production SOFTWARE-TH-002 C'est le pire, avec une grande différence par rapport à eux, mais mieux vaut gérer la logique entre les entités.
Tableau 4.5: Mesures obtenues pour différentes techniques PLN
SOFTWARE-TH-002 SOFTWARE-TH-003 Précision 0.4000 0.5750 0.6000 Précision 0.5000 0.6842 0.7000 F1 Score 0.4286 0.6047 0.6364
4.3.2 Autres solutions PLN: ORG-TH-007
Nous avons décidé de tester d'autres solutions PLN à nos fins. Nous avons essayé les services de ORG-TH-007 avec modèle 3.5 pour le pro-
NER cesus, avec des résultats similaires. Il est vrai que les entités reconnues par ORG-TH-007 sont plus qu'avec SOFTWARE-TH-002, SOFTWARE-TH-003 o Fine-Tuning mais travailler avec ORG-TH-007 crée de nouveaux problèmes, son API ne peut pas répondre en espagnol et la logique de ces entités n'est pas mal considérée ou trouvée comme suit:
Pour la question:\ Réponse en espagnol. Chéri Moon, quelque chose comme New York et NON aux Maldives avec une lune de miel pour deux personnes. 15 d ' août 2022 Je vous remercie.
Réponse de ORG-TH-007 Les données sont disponibles sur le site internet de l'Agence. 124, {Maldives}. 12 ). 15, 2022 (pos) 124;\ Aussi, pour deux personnes}
Quelle a priori est une fonctionnalité intéressante, pourrait générer une mauvaise recommandation parce que la consultation initiale a dit: Maldives Non et ORG-TH-007 Il revient exactement le contraire, mauvaise recommandation.
Avec notre modèle SOFTWARE-TH-002 en utilisant le plugin négatif et utilisé pour nier les concepts de texte avec un algorithme SOFTWARE-TH-005 nous pouvons mieux travailler avec la logique entre les entités, en particulier en les niant. Ce type de capacité ne peut pas être atteint actuellement avec ORG-TH-007 et son modèle 3.5 et avec SOFTWARE-TH-003 il est géré par association avec l'importance d'un terme de score.
4.3.3 Création future d'un agent de voyage virtuel par l'intermédiaire du système multiagences
Dans une enquête précédente Moreno et al. ( 2022 ) nous utilisons le MAS pour répartir la charge de travail du système. Nous l'appliquons également avec un design d'architecture bioinspiré pour organiser les différents processus impliqués et pour qu'ils puissent diffuser leurs compétences ou les imiter des futurs agents de voyage électroniques.
Comme indiqué dans la section précédente, les systèmes multiactifs regroupent des entités intelligentes indépendantes qui coopèrent avec elles pour résoudre ensemble des problèmes complexes. D'autres recherches antérieures indiquent pourquoi et comment les appliquer dans le domaine du tourisme X. Wang et al. ( 1997 ). Ici, nous nous concentrons sur un problème spécifique, même futur de cette industrie: comment imiter un agent pour le voyage.
Comme nous l'avons noté, les agents de voyages d'aujourd'hui pourraient être considérés comme des recommandations humaines et ils obtiennent une demande. Ils les traitent avec leur meilleure recommandation pour revenir à la liste des pays qui font actuellement l'objet d'une meilleure décision en demandant des informations sur la manière dont ces mesures fonctionneront au niveau national ou par l'intermédiaire des autorités publiques locales dans les politiques économiques de l'Afrique du Sud (voir la section intitulée «Politiques économiques de l'Afrique du Sud»). 3 Mais du point de vue de la modélisation technique, le processus de recommandation est complexe et exige que beaucoup d'autres processus - certaines analyses ou plus - participent de manière intégrée pour obtenir le meilleur succès possible. Nous proposons comme solution un MAS innovant et bioinspiré basé sur la structure des fourmis.
L'abstraction d'une fourmi permet d'organiser le code comme un cadre, par exemple lorsque l'agent Reigns est similaire avec le contrôleur et les soldats comme des modèles. Mais au fur et à mesure que la fourmi fonctionne, elle permet à ce type d'organisation d'être un moyen intelligent, par exemple en intégrant des fonctionnalités plus avancées telles que la négociation inter-agents. Pour améliorer les compétences de négociation des agents, une méthode progressive équilibrée pourrait être utilisée pour parvenir à un accord entre les acteurs mais aussi avec les humains et les agents ( 2003 ).
4.4 Conclusions
Le PLN est la meilleure technique d'intelligence artificielle qui puisse être appliquée lorsque les données appartiennent au type de texte. Après avoir essayé trois technologies open source différentes, personne n'utiliserait ces solutions pour des problèmes où la solution doit minimiser les faux positifs comme nous l'avons montré dans un tableau de cas comptés. Mais après avoir essayé d'autres solutions commerciales, comme ORG-TH-007, le domaine des solutions open source ont encore beaucoup à dire dans ce domaine.
Les technologies open source n'ont été testées qu'en fonction de leurs fonctionnalités NER, avec plus de caractéristiques à tester en tant que techniques PLN, mais il y a une grande différence entre les solutions de base et SOFTWARE-TH-002 et des solutions de base SOFTWARE-TH-003 et ces derniers sont les meilleurs. Le cas de l'utilisation exposée est un bon exemple de la façon dont PLN peut aider d'autres entreprises (pas nécessairement liées au tourisme) à atteindre un niveau supérieur pour les données textuelles.
L'extension du MAS bioinspiré basé sur la structure concrète pour modéliser une agence de voyage électronique est une nouvelle solution qui montre non seulement comment l'architecture MOM complète et polyvalente propose mais aussi Cette règle de conception de division aidera à la mise en œuvre complexe du système.
Signalé à notre client: COMPANY-002 Les technologies de solution open source offrent une très bonne vision qui pourrait aider les agents de voyages à identifier rapidement les entités importantes tout en examinant le texte des applications client.