O capítulo 4.1 introduz análise e desenvolvimento de tecnologias analíticas avançadas para otimizar o processo de recomendação de serviços turísticos em nossa agência COMPANY-002. Com base em pesquisas anteriores, onde projetamos uma arquitetura analítica global e um método de detecção automática para potenciais clientes esta Seção se concentra em avaliar os documentos de oferta enviados aos clientes. O principal objectivo é verificar se as recomendações são mais precisas e alinhadas com os desejos ou necessidades dos clientes.
Para o efeito, foram analisados: 50 selecionados aleatoriamente, oferecem documentos e seus textos associados utilizando técnicas de processamento de linguagem natural (PLN). As ferramentas foram colocadas no lugar. SOFTWARE-TH-002, SOFTWARE-TH-003 e SOFTWARE-TH-003 Realizar o reconhecimento de entidades designadas (NER), permitindo-lhes extrair termos-chave e construir um dicionário de avaliações. Esse dicionário foi utilizado para avaliar a relevância das ofertas como resultado e depende de sua vontade.
O capítulo também inclui uma comparação das ferramentas NER utilizadas, avaliando sua precisão e velocidade, especialmente no texto espanhol. Essa abordagem visa não só melhorar a personalização das recomendações, mas também identificar soluções tecnológicas mais eficazes para apoiar os agentes de viagens na sua tomada de decisões.
4.1 Introdução
Em pesquisas anteriores para o nosso cliente COMPANY-002 desenvolvemos uma arquitetura analítica global para ajudar a empresa a melhorar seu processo de vendas
e projetamos ou implementamos um método para a detecção automática de potenciais clientes. Nesta pesquisa com base em conhecimentos anteriores, focamos com nossos documentos de oferta enviados a potenciais clientes durante o processo de vendas, de modo a verificar se as recomendações se adequam melhor aos desejos do seu cliente.
Para estudar este processo de recomendação em detalhe, selecionamos aleatoriamente 50 oferecer documentos e suas oportunidades de texto associadas pelo cliente. A análise das oportunidades de texto com PLN foi iniciada com o intuito de remover as entidades e configurar um dicionário geral que tivesse uma pontuação relacionada à entidade, dependendo de sua propensão. Em seguida, utilizamos esse dicionário de pontuação como base para uma avaliação aprofundada dos documentos da oferta utilizando três métodos diferentes: SOFTWARE-TH-003, SOFTWARE-TH-002 e um baseado em SOFTWARE-TH-003. Usamos todas essas diferentes tecnologias para perceber NER nos vários textos. O reconhecimento de nomes (NER) é uma subtarefa importante no processamento da linguagem natural. Vários sistemas NER foram desenvolvidos na última década. Eles podem ser direcionados para diferentes domínios, utilizando metodologias diferentes e trabalhando em várias línguas. Para detectar vários tipos com uma entidade eles terão sido permitidos ao mesmo tempo que seus formatos de entrada ou saída Estas condições tornam difícil para um usuário técnico selecionar as ferramentas NER apropriadas com Jiang et al específico. ( 2016 ). Focamos em fazer uma comparação de Shelar et al. ( 2020 ) com três ferramentas NER diferentes, usando as informações do nosso cliente: COMPANY-002. Uma vez que nossos clientes conduzem texto espanhol, estamos tentando obter a melhor solução para que Galiza-Haro e al. ( 2004 ).
4.2 Proposta
4.2.1 Processos analíticos envolvidos com uma recomendação
Criação do Dicionário de Índice Geral
Para criar um dicionário de pontuação geral, processamos todas as oportunidades armazenadas no CRM com funcionalidade NER a partir de SOFTWARE-TH-002. Com essa informação sobre termos criamos uma tabela para armazenar a relação de termo encontrada com um resultado de oportunidade, compra ou desistir.
Adicionamos essa tabela usando a contagem de termos e decisão, compra ou desistir. Para quantificar, geramos um método de pontuação simples utilizando a seguinte fórmula:
se (compra): count-id@-@ term * 2
Quadro 4.1: Dicionário de pontuação geral
Mádivas da Pontuação do Termo 13 Madrid 8.5....... Tanzânia 1 Banguecoque... 1
Quadro 4.2: Pontuação de ofertas usando um texto de oportunidade
Combinação de Destino Id-Oferta 13485 Maldivas 350 15839 Costa Rica 150....... 14592 Ilhas Canárias 50 12394 Tanzânia 13.5
se (desiste): 1 ) / 2
Onde Count-id@-@ termo representa o número único de vezes que um id aparece em uma tabela de grupo (decisão, termos). Com este método de quantificação para as três ferramentas, começamos a descobrir como são essas ofertas de documentos.
Adicionamos novamente informações com a soma de uma pontuação anterior para o grupo (termo), gerando um endpoint geral para um termo dado qualquer decisão como mostrado na tabela: 4.1
Pontuação dos documentos do concurso
Realizamos as três técnicas PLN sobre a oferta de documentos, armazenados em.docxformat. A ideia é usar termos NER importantes para documentos. Os termos a seguir foram apontados usando o dicionário geral como descrito nesta Seção, de modo que finalmente a partir de um texto de oportunidade recebemos um conjunto de recomendações (documentos oferta) ordenadas por pontuação gerada com seu e seu Dicionário Geral. 4.2
Utilização de diferentes ferramentas NER
SOFTWARE-TH-002
SOFTWARE-TH-002 é uma biblioteca Python de código aberto para PLN, lançada em 2015 e os criadores de SOFTWARE-TH-002 descrever o seu trabalho como um PLN industrial. SOFTWARE-TH-002 pode trabalhar com modelos de linguagem pré-treinados e vetores de palavras para mais 60 línguas. Os modelos de linguagem permitem-nos realizar uma variedade de tarefas
Quadro 4.3: Speed Benchmark SOFTWARE-TH-002 em Novembro 2022
Oleodutos LIBRARY CPU e GPS WPS SOFTWARE-TH-002 em núcleo] web 10,014 14,954 SOFTWARE-TH-002 at core carnatestrf 684 3,768 Stanza em ewt 878 2,180 Flair pos (- rápido) & ner [- rápido] 323 1,184 UDPipe Inglês-ewt-you 2.5 1,101 N / A
PLN, incluindo o reconhecimento de Vasiliev (NER) 2020 ).
Instalar SOFTWARE-TH-002 É muito fácil usar zip, mais tarde você tem que baixar o modelo de SOFTWARE-TH-002 Vários foram testados neste estudo, com o melhor em core] web's.sys, mas estamos atualmente trabalhando em texto espanhol como nosso objetivo era detectar a maioria deles.
Além disso, adicionamos um plugin chamado nedspac e um item de pipeline SOFTWARE-TH-002 negar conceitos de texto, baseados em algoritmo SOFTWARE-TH-005 Chapman et al. 2001 ). Com este oleoduto podemos gerenciar a lógica envolvida em diferentes entidades, detectando quando uma entidade é negada e fornecendo melhor recomendação.
Em termos de velocidade, SOFTWARE-TH-002 é a biblioteca PLN mais rápida, também podemos dar uma olhada em seus pontos de referência [LINK-REDACTED] Comparamos a velocidade de diferentes bibliotecas PLN, medida por palavras por segundo (WPS): quanto maior e melhor foram avaliadas em 10,000 Comentários de Reddit:
SOFTWARE-TH-003
No final de 2018, um grupo de cientistas de laboratório ORG-TH-008 sob a liderança de Devlin, introduziu um novo modelo linguístico chamado SOFTWARE-TH-003. Esse modelo destina-se a um primeiro e profundo treinamento de representação de texto bidirecional para ser posteriormente utilizado em modelos de aprendizagem automática. A vantagem deste modelo é sua facilidade de uso, o que significa adicionar apenas uma camada de saída com a arquitetura neural existente para obter modelos de texto que superem todos os atualmente disponíveis em vários problemas de texto natural Koroteev ( 2021 ).
Para utilização com SOFTWARE-TH-003 Trabalhamos com o modelo: xlma-roberta -large-ner, este modelo é um XLM ajustado.Robata -- tipo grande para reconhecimento de entidade de nome (NER) sobre parte espanhola do conjunto de dados NLL-200 2. Quando avaliados no subconjunto de teste deste conjunto de dados, obtêm uma pontuação F1 a partir de 89,17 sendo um dos melhores NER espanhol disponível
no momento desta experiência. A velocidade de SOFTWARE-TH-003 NER é mais lento do que com SOFTWARE-TH-002 mas parece ser mais preciso nas recomendações quando elas são bem sucedidas, do que a de SOFTWARE-TH-002.
Afinado Fino SOFTWARE-TH-003 Baseado
Embora os modelos de aprendizagem profundos tenham alcançado o estado da arte em muitas tarefas NPL, estes modelos requerem treinamento do zero e exigem grandes conjuntos de dados, bem como com dias de computador para convergir em uma solução. A investigação na NLLP centrou-se principalmente na transferência transdutora. Para transferência indutiva, afinação fina de embutimentos com palavras pré-treinadas - uma técnica de transferência simples que aborda apenas a primeira camada e teve um impacto importante na prática. É usado na maioria dos modelos de última geração) Abordagens recentes que concedem inlays de outras tarefas com entrada em diferentes camadas continuam a treinar o modelo de tarefa principal em zero e tratam incruvals predefinidos como parâmetros fixos, limitando assim a sua utilidade. À luz dos benefícios do pré-treinamento, devemos ser capazes de fazer algo melhor do que inicializar aleatoriamente todos os outros parâmetros para nossos modelos. A transferência indutiva através de afinação fina tem, no entanto, sido mal sucedida para PLN, mas como primeira vez a titulação suave de um modelo de linguagem (LM) pode ser a melhor solução e requer milhões de documentos para alcançar um bom desempenho com eles. Howard e Rog ( 2018 )
Usamos SOFTWARE-TH-002 Primeiro para ajustar o nosso transformador. Em primeiro lugar, fizemos a seguinte rotulagem de dados:
Funa TIPO DE O Mel TYEP áfrica DESNINATION beach DEJN DIY
Após algumas etapas de configuração, treinamos o modelo SOFTWARE-TH-003. Os países...
Quadro 4.4: Uma conta de caso para gerar uma matriz confusa
Real SOFTWARE-TH-002 SOFTWARE-TH-003 Fine sintonizado bom ruim bom mau 9 9 13 6 14 6 Previsto ruim 15 7 11 10 10 10
As mais complexas das três bibliotecas são a instalação e produção, mas seus resultados foram mostrados nesta seção.
4.3 Experimentos
4.3.1 Comparação de resultados utilizando métricas de matriz confusas
Uma vez que estamos comparando três bibliotecas com funcionalidades NER, elas são completamente diferentes e estabeleceram que para fazer uma comparação entre as várias técnicas Precisávamos de um procedimento de matriz interplay. Nós categorizamos recomendações em termos de bom ou ruim, então nós definimos a matriz binária como Real Recomendations and Previews.
Nós geramos uma matriz de confusão binária, os valores contados são mostrados na tabela 4.4 e as métricas obtidas por cada técnica PLN são mostradas na tabela 4.5 estas métricas mostram que as melhores técnicas são finamente ajustadas, SOFTWARE-TH-003 e SOFTWARE-TH-002 nesta ordem. Examinando as métricas podemos notar que as técnicas de SOFTWARE-TH-003 e Fine Tuned são muito semelhantes, embora o último seja melhor que o seu primeiro. As tecnologias e a sua produção SOFTWARE-TH-002 É o pior, com uma grande diferença deles, mas melhor para gerenciar a lógica entre entidades.
Quadro 4.5: Métricas obtidas para diferentes técnicas PLN
SOFTWARE-TH-002 SOFTWARE-TH-003 Precisão 0.4000 0.5750 0.6000 Precisão 0.5000 0.6842 0.7000 F1 Pontuação 0.4286 0.6047 0.6364
4.3.2 Outras soluções PLN: ORG-TH-007
Decidimos testar outras soluções PLN para nossos propósitos. Temos tentado os serviços de ORG-TH-007 com modelo 3.5 para o pró-...
NER cesus, com resultados semelhantes. É verdade que as entidades reconhecidas por ORG-TH-007 são mais do que com SOFTWARE-TH-002, SOFTWARE-TH-003 O Fine-Tuning, mas trabalhar com ORG-TH-007 cria novos problemas, sua API não pode responder em espanhol e a lógica dessas entidades não é mal considerada ou encontrada da seguinte forma:
Para a pergunta:\ Resposta em espanhol. Mel Moon, algo como Nova Iorque e NÃO para Maldivas com uma lua de mel para duas pessoas. 15 de Agosto 2022 Obrigado.
A resposta de ORG-TH-007 es:\ " 124, {Maldives}. 12 ). 15, 2022 {pos) 124;\ Além disso, para duas pessoas}
O que a priori é uma funcionalidade interessante, poderia gerar má recomendação porque a consulta inicial disse: Maldivas No e ORG-TH-007 Ele está a voltar exactamente ao contrário, má recomendação.
Com o nosso modelo SOFTWARE-TH-002 usando o plugin negativo e usado para negar conceitos de texto com um algoritmo SOFTWARE-TH-005 podemos trabalhar melhor com a lógica entre entidades, sobretudo negando-as. Este tipo de capacidade não pode actualmente ser alcançado com ORG-TH-007 e seu modelo 3.5 e com SOFTWARE-TH-003 isso é gerenciado pela associação com a importância de um termo de escore.
4.3.3 Criação futura de um agente de viagens virtual através do sistema multiagências
Em uma investigação anterior Moreno et al. ( 2022 ) usamos o MAS para distribuir a carga de trabalho do sistema. Aqui também aplicamos isso com um design de arquitetura bioinspirada para organizar os diferentes processos envolvidos e para que eles possam espalhar suas habilidades ou emula-los de futuros agentes de viagens eletrônicos.
Como afirma a Seção anterior, sistemas multiagentes são coleções de entidades inteligentes independentes que cooperam com eles para resolver problemas complexos em conjunto. Outras pesquisas anteriores indicam por que e como aplicá-las no campo do turismo X. Wang et al. ( 1997 ). Aqui estamos focados em um problema específico, até mesmo futuro desta indústria: como imitar um agente para viagens.
Como vimos, hoje as agências de viagens podem ser vistas como recomendações humanas e recebem uma candidatura. Os Estados-Membros procedem ao seu tratamento com a sua melhor recomendação de regresso à lista dos países que estão actualmente a ser objecto de uma melhor decisão, solicitando informações sobre a forma como estas medidas irão funcionar a nível nacional ou através das autoridades públicas locais nas políticas económicas da África do Sul (ver Secção 3 ).A Comissão tem vindo a acompanhar esta questão: Mas, numa perspectiva de modelização técnica, o processo de recomendação é complexo e exige que muitos outros processos - algumas análises ou mais operações) participem de forma integrada para alcançar o melhor êxito. Propomos como solução um MAS inovador e bioinspirado baseado na estrutura de formigas.
A abstração de uma formiga permite organizar o código como um framework, por exemplo, onde o agente Reigns é semelhante com o controlador e soldados como modelos. Mas, à medida que a formiga funciona, ela permite que este tipo de organização seja uma forma inteligente, por exemplo, integrando características mais avançadas como a negociação interagente. Para melhorar as competências negociais dos agentes, poderia ser utilizado um método equilibrado incremental para chegar a acordo entre os actores, mas também com os seres humanos e os agentes ( 2003 ).
4.4 Conclusões
O PLN é a melhor técnica de inteligência artificial que pode ser aplicada quando os dados pertencem ao tipo de texto. Depois de tentar três tecnologias de código aberto diferentes, ninguém usaria essas soluções para problemas onde a solução precisa minimizar falsos positivos como mostramos em uma tabela de casos contados. Mas depois de experimentar outras soluções comerciais, tais como ORG-TH-007, a área das soluções de código aberto ainda tem muito a dizer neste campo.
Tecnologias de código aberto foram testadas apenas contra suas funcionalidades NER, com mais características a serem testadas como técnicas PLN, mas há uma grande diferença entre soluções básicas e SOFTWARE-TH-002 e soluções básicas SOFTWARE-TH-003 e estes últimos são os melhores. O caso do uso exposto é um bom exemplo de como o PLN pode ajudar outras empresas (não necessariamente relacionadas com o turismo) a alcançar um nível superior para dados de texto.
A extensão do MAS bioinspirado baseado em estrutura de concreto para modelar uma agência de viagens eletrônica é uma nova solução que mostra não só como completa e versátil arquitetura MOM propõe, mas também que regra de projeto dividido irá ajudar com a implementação complexa do sistema.
Reportado ao nosso cliente: COMPANY-002 as tecnologias de solução open source fornecem uma visão muito boa que poderia ajudar os agentes de viagens a identificar rapidamente entidades importantes, considerando o texto das aplicações do cliente.