Il capitolo 4.1 introduce l'analisi e lo sviluppo di tecnologie di analisi avanzate per ottimizzare il processo per la consulenza dei servizi turistici presso la nostra agenzia COMPANY-002. Sulla base di una precedente ricerca, dove progettiamo un'architettura analitica generale e un metodo di rilevamento automatico per i potenziali clienti, questa sezione si concentra sulla valutazione dei documenti di offerta inviati ai clienti. L'obiettivo principale è quello di verificare che le raccomandazioni siano più precise e allineate ai desideri o alle esigenze dei clienti.
A tal fine, sono stati analizzati 50 i documenti di offerta selezionati casualmente e i loro testi associati utilizzando tecniche di elaborazione del linguaggio naturale (PLN). Sono stati messi in atto strumenti. SOFTWARE-TH-002, SOFTWARE-TH-003 e SOFTWARE-TH-003 Per condurre il riconoscimento di entità designate (NER), consentendo loro di estrarre i termini chiave e costruire un dizionario di rating. Questo dizionario è stato usato per valutare la rilevanza delle offerte di conseguenza e dipendere dalla sua disponibilità.
Il capitolo comprende anche un confronto degli strumenti NER utilizzati, valutandone l'accuratezza e la velocità soprattutto nel testo spagnolo. Tale approccio mira non solo a migliorare la personalizzazione delle raccomandazioni, ma anche ad identificare le soluzioni tecnologiche più efficaci per sostenere gli agenti di viaggio nel loro processo decisionale.
4.1 Introduzione
Nella precedente ricerca per il nostro cliente COMPANY-002 abbiamo progettato un'architettura analitica generale per aiutare l'azienda a migliorare il suo processo di vendita
e progettiamo o implementiamo un metodo per il rilevamento automatico dei potenziali clienti. In questa ricerca basata sulle conoscenze precedenti, ci siamo concentrati con i nostri documenti di offerta inviati ai potenziali clienti durante il processo di vendita in modo da verificare che le raccomandazioni più adatte ai desideri del vostro cliente.
Per studiare questo processo di raccomandazione in dettaglio, selezioniamo a caso 50 offrire documenti e le loro opportunità di testo associate dal cliente. L'analisi delle opportunità di testo con PLN è stata avviata al fine di rimuovere le entità e impostare un dizionario generale che aveva un punteggio relativo all'entità, a seconda della loro propensione. Usiamo poi quel dizionario di punteggio come base per una valutazione approfondita dei documenti di offerta utilizzando tre metodi diversi: SOFTWARE-TH-003, SOFTWARE-TH-002 e uno basato su SOFTWARE-TH-003. Utilizziamo tutte queste diverse tecnologie per realizzare NER nei vari testi. Il riconoscimento dei nomi (NER) è un importante sub-task nel trattamento del linguaggio naturale. Negli ultimi dieci anni sono stati sviluppati diversi sistemi di NER. Possono essere indirizzati a diversi domini, utilizzando metodologie diverse e lavorando in un certo numero di lingue. Per rilevare diversi tipi con un'entità che saranno stati autorizzati allo stesso tempo dei loro formati di entrata o uscita Queste condizioni rendono difficile per un utente tecnico selezionare gli strumenti NER appropriati con specifico Jiang et al. ( 2016 ). Ci siamo concentrati sul fare un confronto Shelar et al. ( 2020 ) con tre diversi strumenti NER, utilizzando le informazioni del nostro cliente: COMPANY-002. Dal momento che i nostri clienti conducono il testo spagnolo, stiamo cercando di ottenere la soluzione migliore per quella Galicia-Haro e al. ( 2004 ).
4.2 Proposta della Commissione
4.2.1 Processi analitici coinvolti in una raccomandazione
Creazione del Dizionario Indice Generale
Per creare un dizionario di punteggio generale, elaboriamo tutte le opportunità memorizzate in CRM con funzionalità NER da SOFTWARE-TH-002. Con queste informazioni sui termini creiamo una tabella per memorizzare il rapporto di termine trovato con un risultato di opportunità, acquisto o desist.
Abbiamo aggiunto quella tabella utilizzando il conteggio dei termini e delle decisioni, dell'acquisto o del desist. Per quantificare, generiamo un metodo di punteggio semplice utilizzando la seguente formula:
se (acquisto): conte-id@-@term * 2
Tabella 4.1: Dizionario di punteggio generale
Term Score Maldives 13 Madrid 8.5....... Tanzania - 1 Bangkok - 1
Tabella 4.2: Punteggio delle offerte utilizzando un testo di opportunità
Offerta-Id Destinazione Sbling 13485 Maldive 350 15839 Costa Rica 150....... 14592 Isole Canarie 50 12394 Tanzania - 13.5
se (desiste): 1 ) / 2
Dove il termine Count-id@-@ rappresenta il numero unico di volte che un id appare in una tabella di gruppo (decisione, termini). Con questo metodo di quantificazione per i tre strumenti, cominciamo a capire come questi documenti offrono.
Aggiungiamo di nuovo le informazioni con la somma di un punteggio precedente per il gruppo (term), generando un punto finale generale a uno termini data qualsiasi decisione come mostrato nella tabella: 4.1
Punteggio dei documenti d'appalto
Conduciamo le tre tecniche PLN sull'offerta di documenti, memorizzati sotto.docxformat. L'idea è quella di ottenere utilizzando i termini NER importanti per i documenti. I seguenti termini sono stati contrassegnati utilizzando il dizionario generale come descritto in questa Sezione, quindi finalmente da un testo di opportunità otteniamo una serie di raccomandazioni (documenti di offerta) ordinati per punteggio generato con il suo e il suo Dizionario Generale. 4.2
Utilizzo di diversi strumenti NER
SOFTWARE-TH-002
SOFTWARE-TH-002 è una libreria Python open source per PLN, lanciata a 2015 e i creatori di SOFTWARE-TH-002 descrivere il suo lavoro come PLN industriale. SOFTWARE-TH-002 può lavorare con i modelli di lingua pre-trained e vettori di parola per più 60 lingue. I modelli linguistici ci permettono di svolgere una varietà di compiti
Tabella 4.3: Benchmark di velocità SOFTWARE-TH-002 in novembre 2022
LIBRARY pipelines WPS CPU e GPS SOFTWARE-TH-002 a core] web 10,014 14,954 SOFTWARE-TH-002 a core carnatestrf 684 3,768 Stanza a ewt 878 2,180 Flair pos (-veloce) & ner [- veloce] 323 1,184 UDPipe english-ewt-you 2.5 1,101 N / A
PLN, compreso il riconoscimento di Vasiliev (NER) 2020 ).
Installazione SOFTWARE-TH-002 E 'molto facile da usare zip, in seguito è necessario scaricare il modello da SOFTWARE-TH-002 Diversi sono stati testati in questo studio, con il meglio in core] web's.sys ma stiamo attualmente lavorando sul testo spagnolo come il nostro obiettivo era quello di rilevare la maggior parte di loro.
Inoltre, aggiungiamo un plugin chiamato nedspac e un elemento di pipeline SOFTWARE-TH-002 negare i concetti di testo, basati sull'algoritmo SOFTWARE-TH-005 Chapman et al. 2001 ). Con questa pipeline possiamo gestire la logica coinvolta in diverse entità, rilevando quando un'entità viene negata e fornendo una migliore raccomandazione.
In termini di velocità, SOFTWARE-TH-002 è la libreria PLN più veloce, possiamo anche dare un'occhiata ai suoi punti di riferimento [LINK-REDACTED] Abbiamo confrontato la velocità di diverse librerie PLN, come misurato dalle parole al secondo (WPS): Più alto e meglio sono stati valutati 10,000 Commenti di Reddit:
SOFTWARE-TH-003
Alla fine di 2018, un gruppo di scienziati del laboratorio ORG-TH-008 sotto la guida di Devlin, ha introdotto un nuovo modello linguistico chiamato SOFTWARE-TH-003. Tale modello è destinato ad una prima e profonda formazione della rappresentazione del testo bidirezionale da utilizzare in seguito nei modelli di apprendimento automatico. Il vantaggio di questo modello è la sua facilità d'uso, il che significa aggiungere solo uno strato di uscita con l'architettura neurale esistente per ottenere modelli di testo che superano tutti quelli attualmente disponibili in diversi problemi di testo naturale Koroteev ( 2021 ).
Per l'uso con SOFTWARE-TH-003 Lavoriamo con il modello: xlma-roberta -large- ner, questo modello è un XLM.Robata regolato--grande tipo per il riconoscimento dell'entità del nome (NER) sulla parte spagnola del set di dati NLL-200 2. Quando valutati nel sottoinsieme di prova di questo dataset, ottengono un punteggio F1 da 89,17 essere uno dei migliori NER spagnolo disponibili
al momento di questo esperimento. La velocità di SOFTWARE-TH-003 NER è più lento che con SOFTWARE-TH-002 ma sembra essere più preciso nelle raccomandazioni quando hanno successo, che di SOFTWARE-TH-002.
Fine sintonizzato SOFTWARE-TH-003 Sulla base di dati
Anche se i modelli di apprendimento profondi hanno raggiunto lo stato dell'arte in molte attività NPL, questi modelli richiedono formazione da zero e richiedono grandi set di dati così come con giorni di computer per convergere in una soluzione. La ricerca di NLLP si è concentrata principalmente sul trasferimento transduttivo. Per il trasferimento inductiva, la messa a punto fine di embeddings con parole pretratte - una semplice tecnica di trasferimento che si rivolge solo al primo strato e ha avuto un impatto importante sulla pratica. Viene utilizzato nella maggior parte dei modelli di ultima generazione) Recenti approcci che permettono intarsi da altre attività con l'ingresso in diversi strati continuano a formare il modello di compito principale a zero e trattare gli incrostati preimpostati come parametri fissi, limitando così la loro utilità. Alla luce dei benefici della pre-formazione, dovremmo essere in grado di fare qualcosa di meglio che inizializzare casualmente tutti gli altri parametri per i nostri modelli. Il trasferimento induttivo attraverso la messa a punto fine non è stato tuttavia riuscito per PLN, ma come prima volta la titolazione liscia di un modello di lingua (LM) può essere la soluzione migliore e richiede milioni di documenti per ottenere buone prestazioni con loro. Howard e Rog (in inglese) 2018 )
Noi usiamo SOFTWARE-TH-002 prima di accordare il nostro trasformatore. In primo luogo, abbiamo fatto la seguente etichettatura dei dati:
Funa TYPE de O Honey TYEP africa DESNINING beach DEJN DIY
Dopo alcuni passaggi di configurazione, abbiamo addestrato il modello SOFTWARE-TH-003. I paesi...
Tabella 4.4: Un caso per generare una matrice confusa
Realtà SOFTWARE-TH-002 SOFTWARE-TH-003 Bene sintonizzato buono male cattivo 9 9 13 6 14 6 Pregiudiziale 15 7 11 10 10 10
I più complessi delle tre biblioteche sono l'installazione e la produzione, ma i loro risultati sono stati mostrati in questa sezione.
4.3 Esperimenti
4.3.1 Confronto dei risultati utilizzando metriche a matrice confusa
Dal momento che stiamo confrontando tre librerie con funzionalità NER, sono completamente diversi e hanno stabilito che per fare un confronto tra le varie tecniche Abbiamo bisogno di una procedura di matrice di interazione. Noi categorizziamo le raccomandazioni in termini di buono o cattivo, quindi definiamo la matrice binaria come Raccomandazioni reali e Anteprime.
Generiamo una matrice di confusione binaria, i valori contati vengono mostrati nella tabella 4.4 e le metriche ottenute da ogni tecnica PLN sono mostrate nella tabella 4.5 queste metriche mostrano che le migliori tecniche sono sintonizzate, SOFTWARE-TH-003 e SOFTWARE-TH-002 in questo ordine. Esaminando le metriche possiamo notare che le tecniche di SOFTWARE-TH-003 e Fine Tuned sono molto simili, anche se l'ultimo è migliore del suo primo. Le tecnologie e la produzione SOFTWARE-TH-002 E 'il peggio, con una grande differenza da loro, ma meglio gestire la logica tra entità.
Tabella 4.5: Metriche ottenute per diverse tecniche PLN
SOFTWARE-TH-002 SOFTWARE-TH-003 Accuratezza 0.4000 0.5750 0.6000 Precisione 0.5000 0.6842 0.7000 F1 Punteggio 0.4286 0.6047 0.6364
4.3.2 Altre soluzioni PLN: ORG-TH-007
Abbiamo deciso di testare altre soluzioni PLN per i nostri scopi. Abbiamo provato i servizi di ORG-TH-007 con modello 3.5 per il pro-
NER cesus, con risultati simili. È vero che le entità riconosciute da ORG-TH-007 sono più che con SOFTWARE-TH-002, SOFTWARE-TH-003 o Fine-Tuning ma lavorare con ORG-TH-007 crea nuovi problemi, la sua API non può rispondere in spagnolo e la logica di queste entità non è malconsiderata o trovata come segue:
Per la domanda:\ Risposta in spagnolo. Honey Moon, qualcosa come New York e NO alle Maldive con una luna di miele per due persone. 15 di agosto 2022 Grazie.
La risposta da ORG-TH-007 es:\" 124, {Maldives}. 12 ). 15, 2022 (pos) 124;\ Inoltre, per due persone
Che a priori è una funzionalità interessante, potrebbe generare cattiva raccomandazione perché la consultazione iniziale ha detto: Maldive No e ORG-TH-007 Sta tornando esattamente l'opposto, cattiva raccomandazione.
Con il nostro modello SOFTWARE-TH-002 utilizzando il plugin negativo e usato per negare i concetti di testo con un algoritmo SOFTWARE-TH-005 possiamo lavorare meglio con la logica tra entità, soprattutto negandole. Questo tipo di capacità attualmente non può essere raggiunto con ORG-TH-007 e il suo modello 3.5 e con SOFTWARE-TH-003 questo è gestito dall'associazione con l'importanza di un termine di punteggio.
4.3.3 Creazione futura di un agente di viaggio virtuale attraverso il sistema multiagency
In una precedente indagine Moreno et al. ( 2022 ) utilizziamo MAS per distribuire il carico di lavoro del sistema. Qui applichiamo anche questo con un design di architettura bioinspired per organizzare i diversi processi coinvolti e in modo che possano diffondere le loro competenze o emularle da futuri agenti di viaggio elettronici.
Come indicato nella sezione precedente, i sistemi multiagenti sono collezioni di entità intelligenti indipendenti che collaborano con loro per risolvere insieme problemi complessi. Altre ricerche precedenti indicano perché e come applicarle nel settore del turismo X. Wang et al. 1997 ). Qui ci concentriamo su un problema specifico, anche futuro di questo settore: come emulare un agente per i viaggi.
Come abbiamo notato, oggi gli agenti di viaggio potrebbero essere visti come consigli umani e ottengono un'applicazione. Essi li elaborano con la loro migliore raccomandazione all'elenco dei paesi che attualmente stanno subendo una decisione migliore, chiedendo informazioni su come tali misure funzioneranno a livello nazionale o attraverso le autorità pubbliche locali nelle politiche economiche del Sudafrica (cfr. sezione 3 ).La Commissione ha seguito su questo tema: Ma da una prospettiva di modellazione tecnica, il processo di raccomandazione è complesso e richiede che molti altri processi - alcuni analytics o più operazioni) partecipino ad un modo integrato per ottenere il miglior successo. Proponiamo come soluzione un MAS innovativo e bioispirato basato sulla struttura delle formiche.
L'astrazione di una formica permette di organizzare il codice come un quadro, per esempio in cui l'agente Reigns è simile con controller e soldati come modelli. Ma, come funziona la formica, permette a questo tipo di organizzazione di essere un modo intelligente per esempio integrando caratteristiche più avanzate come la negoziazione interagente. Per migliorare le capacità di negoziazione degli agenti, un metodo equilibrato incrementale potrebbe essere utilizzato per raggiungere l'accordo tra gli attori, ma anche con gli esseri umani e gli agenti. ( 2003 ).
4.4 Conclusioni
Il PLN è la migliore tecnica di intelligenza artificiale che può essere applicata quando i dati appartengono al tipo di testo. Dopo aver provato tre diverse tecnologie open source, nessuno userebbe queste soluzioni per problemi in cui la soluzione ha bisogno di minimizzare i falsi positivi come abbiamo mostrato in una tabella dei casi contati. Ma dopo aver provato altre soluzioni commerciali, come ORG-TH-007, l'area delle soluzioni open source ha ancora molto da dire in questo campo.
Le tecnologie open source sono state testate solo contro le loro funzionalità NER, con più caratteristiche da provare come tecniche PLN, ma c'è una grande differenza tra soluzioni di base e SOFTWARE-TH-002 e soluzioni di base SOFTWARE-TH-003 e questi ultimi sono i migliori. Il caso di uso esposto è un buon esempio su come PLN può aiutare altre aziende (non necessariamente legate al turismo) a raggiungere un livello superiore per i dati del testo.
L'estensione del MAS bioinspired basato sulla struttura concreta per modellare un'agenzia di viaggi elettronica è una nuova soluzione che mostra non solo quanto completa e versatile architettura MOM proposta, ma anche Che la regola di progettazione divide-up aiuterà con complessa implementazione del sistema.
Segnalato al nostro cliente: COMPANY-002 Le tecnologie di soluzione open source forniscono una visione molto buona che potrebbe aiutare gli agenti di viaggio a identificare rapidamente le entità importanti mentre si considera il testo delle applicazioni client.