kapitlet 4.1 introducerar analys och utveckling av avancerad analysteknik för att optimera processen för att rekommendera turismtjänster på vår byrå COMPANY-002. Baserat på tidigare forskning, där vi utformar en övergripande analytisk arkitektur och en metod för automatisk detektering för potentiella kunder fokuserar detta avsnitt på att utvärdera de erbjudandehandlingar som skickas till kunder. Huvudsyftet är att kontrollera att rekommendationerna är mer exakta och anpassade till kundernas önskemål eller behov.
För detta ändamål analyserades de 50 slumpmässigt utvalda erbjudandehandlingar och deras tillhörande texter med hjälp av naturlig språkbehandling (PLN) tekniker. Verktyg har lagts på plats. SOFTWARE-TH-002, SOFTWARE-TH-003 och SOFTWARE-TH-003 För att genomföra erkännandet av utsedda enheter (NER), så att de kan extrahera nyckelord och bygga en klassificeringsordbok. Denna ordbok användes för att utvärdera relevansen av erbjudanden som ett resultat och beror på hans eller hennes vilja.
Kapitlet innehåller också en jämförelse av NER-verktyg som används och utvärderar deras noggrannhet och hastighet, särskilt i spansk text. Detta tillvägagångssätt syftar till att inte bara förbättra personaliseringen av rekommendationer utan också att identifiera de mest effektiva tekniska lösningarna för att stödja resebyråer i deras beslutsfattande.
4.1 Introduktion
I tidigare forskning för vår kund COMPANY-002 Vi designade en övergripande analysarkitektur för att hjälpa företaget att förbättra sin försäljningsprocess
Vi designar eller implementerar en metod för automatisk detektering av potentiella kunder. I denna forskning baserad på tidigare kunskap fokuserade vi med våra erbjudandedokument som skickats till potentiella kunder under försäljningsprocessen för att verifiera att rekommendationerna bäst passar din kunds önskemål.
För att studera denna rekommendationsprocess i detalj väljer vi slumpmässigt 50 erbjuda dokument och deras tillhörande textmöjligheter av kunden. Analysen av texttillfällen med PLN inleddes för att avlägsna enheterna och inrätta en allmän ordbok som hade en enhetsrelaterad poäng, beroende på deras benägenhet. Vi använder sedan denna poängordbok som grund för en djupgående bedömning av erbjudandedokumenten med hjälp av tre olika metoder: SOFTWARE-TH-003, SOFTWARE-TH-002 och en baserad på SOFTWARE-TH-003. Vi använder alla dessa olika tekniker för att förverkliga NER i de olika texterna. Namnigenkänning (NER) är en viktig deluppgift vid bearbetning av naturspråk. Flera NER-system har utvecklats under det senaste årtiondet. De kan riktas till olika domäner, med olika metoder och arbeta på ett antal språk. För att upptäcka flera typer med ett företag kommer de att ha blivit tillåtna samtidigt som deras in- eller utgångsformat Dessa villkor gör det svårt för en teknisk användare att välja lämpliga NER-verktyg med specifika Jiang et al. 2016 ). Vi fokuserade på att göra en Shelar et al jämförelse. 2020 ) med tre olika NER-verktyg, med hjälp av vår kunds information: COMPANY-002. Eftersom våra kunder bedriver spansk text försöker vi få den bästa lösningen för Galicia-Haro och al. 2004 ).
4.2 Förslag
4.2.1 Analytiska processer som är involverade i en rekommendation
Skapande av General Index Dictionary
För att skapa en allmän poängordbok behandlar vi alla möjligheter som lagras på CRM med NER-funktionalitet från SOFTWARE-TH-002. Med den informationen om villkor skapar vi en tabell för att lagra förhållandet mellan termer som finns med ett tillfälle resultat, köp eller avstå.
Vi lade till den tabellen med hjälp av antalet villkor och beslut, köp eller avstånd. För att kvantifiera genererar vi en enkel poängmetod genom att använda följande formel:
om (köp): count-id@ term * 2
Bord 4.1 General score dictionary
Term Score Maldiverna 13 Madrid Madrid 8.5....... Tanzania - 1 Bangkok - 1
Bord 4.2 Poäng av erbjudanden med hjälp av en möjlighet text
Offer-Id Destination Sbling 13485 Maldiverna 350 15839 Costa Rica 150....... 14592 Kanarieöarna 50 12394 Tanzania - 13.5
Om (desist): 1 ) / 2
Där Count-id@-term representerar det unika antalet gånger som ett id visas i ett gruppbord (beslut, villkor). Med denna kvantifieringsmetod för de tre verktygen börjar vi räkna ut hur dessa dokument erbjuder.
Vi lägger till igen information med summan av en tidigare poäng för grupp (term), genererar en allmän slutpunkt till en term som ges något beslut som visas i tabellen: 4.1
Poäng av anbudshandlingar
Vi utför de tre PLN-teknikerna om att erbjuda dokument, lagrade under.docxformat. Tanken är att få genom att använda NER termer som är viktiga för dokument. Följande villkor har tippats med hjälp av den allmänna ordboken som beskrivs i detta avsnitt, så slutligen från en möjlighet text vi får en uppsättning rekommendationer (erbjudande dokument) sorteras efter poäng genereras med hans och hennes General Dictionary. 4.2
Använda olika NER verktyg
SOFTWARE-TH-002
SOFTWARE-TH-002 är ett open source Python-bibliotek för PLN, lanserat på 2015 och skaparna av SOFTWARE-TH-002 beskriva hans arbete som industriell PLN. SOFTWARE-TH-002 kan arbeta med pretrained språkmodeller och ordvektorer för mer 60 språk. Språkmodellerna gör att vi kan utföra en mängd olika uppgifter
Bord 4.3 Speed Benchmark SOFTWARE-TH-002 i november 2022
LIBRARY pipelines WPS CPU och GPS SOFTWARE-TH-002 på core] web 10,014 14,954 SOFTWARE-TH-002 på core carnatestrf 684 3,768 Stanza på ewt 878 2,180 Flair pos (snabbt) och ner [-snabbt] 323 1,184 UDPipe English-ewt-you 2.5 1,101 N / A
PLN, inklusive erkännande av Vasiliev (NER) 2020 ).
Installera SOFTWARE-TH-002 Det är mycket lätt att använda zip, senare måste du ladda ner modellen från SOFTWARE-TH-002 Flera har testats i denna studie, med det bästa på core] web's.sys men vi arbetar för närvarande med spansk text som vårt mål var att upptäcka de flesta av dem.
Dessutom lägger vi till ett plugin som kallas nedspac och en pipeline. SOFTWARE-TH-002 att neka textkoncept, baserat på algoritm SOFTWARE-TH-005 Chapman et al. 2001 ). Med denna pipeline kan vi hantera logiken som är involverad i olika enheter, upptäcka när ett företag nekas och ge bättre rekommendation.
När det gäller hastighet, SOFTWARE-TH-002 är det snabbaste PLN-biblioteket, vi kan också titta på dess referenspunkter. [LINK-REDACTED] Vi jämförde hastigheten hos olika PLN-bibliotek, mätt med ord per sekund (WPS): Ju högre och bättre de utvärderades vid 10,000 Reddits kommentarer:
SOFTWARE-TH-003
I slutet av 2018 En grupp labbforskare ORG-TH-008 under ledning av Devlin, introducerade en ny språklig modell som kallas SOFTWARE-TH-003. Den modellen är avsedd för en första och djupgående utbildning av bidirectional textrepresentation som senare används i automatiska inlärningsmodeller. Fördelen med denna modell är dess lätthet att använda, vilket innebär att man bara lägger till ett utgångsskikt med den befintliga neurala arkitekturen för att få textmodeller som överväger alla de som finns tillgängliga i flera Koroteev naturliga textningsproblem. 2021 ).
För användning med SOFTWARE-TH-003 Vi arbetar med modellen: xlma-roberta -large-ner, denna modell är en justerad XLM.Robata-stor typ för namnenhetsigenkänning (NER) om spansk del av dataset NLL-200 2. När de utvärderas i testdelen av denna datamängd får de en F1-poäng från 89,17 Att vara en av de bästa spanska NER tillgängliga
vid tidpunkten för detta experiment. Hastigheten av SOFTWARE-TH-003 NER är långsammare än med SOFTWARE-TH-002 men verkar vara mer exakt i rekommendationer när de är framgångsrika, än SOFTWARE-TH-002.
Fine Tuned SOFTWARE-TH-003 Baserad
Även om djupa inlärningsmodeller har nått konsttillståndet på många NPL-uppgifter, kräver denna modell utbildning från grunden och kräver stora datamängder samt med datordagar för att konvergera till en lösning. Forskning på NLLP har främst fokuserat på transduktiv överföring. För induktiv överföring, finjustering av inbäddningar med pretrained ord - en enkel överföringsteknik som endast tar itu med det första lagret och har haft en viktig inverkan på praktiken. Den används i de flesta sista generationens modeller) Senaste metoder som medger inlämningar från andra uppgifter med inträde i olika lager fortsätter att träna huvudsakliga uppgiftsmodellen vid noll och behandla förinställda inkruvaler som fasta parametrar, vilket begränsar deras användbarhet. Mot bakgrund av fördelarna med förträning bör vi kunna göra något bättre än att slumpmässigt inleda alla andra parametrar för våra modeller. Induktiv överföring genom finjustering har dock misslyckats för PLN, men som första gången kan den smidiga titreringen av en (LM) språkmodell vara den bästa lösningen och kräver att miljon dokument uppnår bra prestanda med dem. Howard och Rog (på engelska) 2018 )
Vi använder SOFTWARE-TH-002 först att lura vår transformator. För det första gjorde vi följande datamärkning:
Funa TYPE de O Honey TYEP africa DESNINATION strand DEJN DIY
Efter några konfigurationssteg tränade vi modellen SOFTWARE-TH-003. Länder...
Bord 4.4 Ett fallkonto för att generera en förvirrande matris
Real Real Real Real Real Real Real Real Real Real SOFTWARE-TH-002 SOFTWARE-TH-003 Fine Tuned bra dåligt dåligt 9 9 13 6 14 6 Förutsäga dåligt 15 7 11 10 10 10
Det mest komplexa av de tre biblioteken är installation och produktion, men deras resultat har visats i detta avsnitt.
4.3 Experiment
4.3.1 Jämförelse av resultat med förvirrande matrismetri
Eftersom vi jämför tre bibliotek med NER-funktioner, är de helt olika och har fastställt att för att göra en jämförelse mellan de olika teknikerna Vi behövde en samspelsmatrisprocedur. Vi kategoriserar rekommendationer när det gäller bra eller dåliga, så vi definierar den binära matrisen som verkliga rekommendationer och förhandsvisningar.
Vi genererar en binär förvirringsmatris, de räknade värdena visas i tabellen 4.4 mätvärden som erhållits genom varje PLN-teknik visas i tabellen 4.5 Dessa mätvärden visar att bästa tekniker är finjusterade, SOFTWARE-TH-003 och SOFTWARE-TH-002 i denna ordning. Undersöka de mätvärden vi kan notera att tekniker SOFTWARE-TH-003 Fine Tuned är mycket lika, men den sista är bättre än hans första. Tekniken och deras produktion SOFTWARE-TH-002 Det är värre, med stor skillnad från dem men bäst att hantera logik mellan enheter.
Bord 4.5 Metrics erhållna för olika PLN-tekniker
SOFTWARE-TH-002 SOFTWARE-TH-003 noggrannhet 0.4000 0.5750 0.6000 Precision 0.5000 0.6842 0.7000 F1 Score 0.4286 0.6047 0.6364
4.3.2 Andra PLN-lösningar: ORG-TH-007
Vi bestämde oss för att testa andra PLN-lösningar för våra ändamål. Vi har försökt tjänsterna av ORG-TH-007 med modell 3.5 För pro-
NER cesus, med liknande resultat. Det är sant att de enheter som erkänns av ORG-TH-007 är mer än med SOFTWARE-TH-002, SOFTWARE-TH-003 Fine-Tuning men arbeta med ORG-TH-007 skapar nya problem, dess API kan inte svara på spanska och logiken hos dessa enheter är inte misstänkt eller hittas enligt följande:
För frågan: Svar på spanska. Honey Moon, något som New York och NEJ till Maldiverna med en smekmånad för två personer. 15 av augusti 2022 Tack!
Svaret från ORG-TH-007 es: \ \ \ \ \ n \ n \ n \ n \ n \ n \ \ n \ \ n \ n \ n \ \ n \ n \ n \ \ n \ \ \ \ n \ \ n \ \ n \ \ n \ \ \ \ \ n \ \ n \ \ \ n n \ \ n \ \ \ \ n n \ \ n \ \ \ \ \ n n \ \ n \ \ \ \ \ \ \ \ n n \ \ n n n \ \ \ \ \ \ n n \ \ n \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ n n \ n n n \ n n n n n \ \" \" \ \ \" \" \ \ \ \ \ \ \ \" \ \ \ \ \ \ \ \ \ \" \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \" \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \" \ \ \ \ \ \ \" \ \ \ \" \ \ \ \ \ \ \ \ \ \" \ \ \ \ \ \ \ \ \ \ \ \ \ \" \ \ \ 124 {Maldives}. 12 ). 15, 2022 {pos] 124 Också för två människor
Vad en priori är en intressant funktionalitet, kan generera dålig rekommendation eftersom den inledande konsultationen sa: Maldiverna Nej och ORG-TH-007 Han återvänder precis tvärtom, dålig rekommendation.
Med vår modell SOFTWARE-TH-002 genom att använda det negativa pluginet och används för att neka textkoncept med en algoritm SOFTWARE-TH-005 Vi kan arbeta bättre med logik mellan enheter, särskilt genom att förneka dem. Denna typ av kapacitet som för närvarande inte kan uppnås med ORG-TH-007 och hans modell 3.5 och med SOFTWARE-TH-003 Detta hanteras genom association med betydelsen av en poäng term.
4.3.3 Framtida skapande av en virtuell resebyrå genom multiagencysystemet
I en tidigare undersökning Moreno et al. 2022 Vi använder MAS för att distribuera systemets arbetsbelastning. Här tillämpar vi också detta med en bioinspirerad arkitekturdesign för att organisera de olika processerna och så att de kan sprida sina färdigheter eller efterlikna dem från framtida elektroniska resebyråer.
Som anges i föregående avsnitt är multiagentsystem samlingar av oberoende intelligenta enheter som samarbetar med dem för att lösa komplexa problem gemensamt. Annan tidigare forskning visar varför och hur man tillämpar dem inom turism X. Wang et al. 1997 ). Här är vi fokuserade på ett specifikt, även framtida problem i denna bransch: hur man efterliknar en agent för resor.
Som vi har noterat kan resebyråer idag ses som mänskliga rekommendationer och de får en ansökan. De behandlar dem med sin bästa rekommendation tillbaka till listan över länder som för närvarande genomgår ett bättre beslut genom att ansöka om information om hur dessa åtgärder kommer att fungera på nationell nivå eller genom lokala myndigheter i Sydafrikas ekonomiska politik. 3 Kommissionen har följt upp frågan: Men ur ett tekniskt modelleringsperspektiv är rekommendationsprocessen komplex och kräver att många andra processer – vissa analyser eller fler operationer) deltar på ett integrerat sätt för att uppnå bästa möjliga framgång. Vi föreslår som en lösning en innovativ och bioinspirerad MAS baserad på strukturen av myror.
Abstraktionen av en myra gör det möjligt att organisera koden som ett ramverk, till exempel där agent Reigns liknar styrenhet och soldater som modeller. Men när myran fungerar, gör det möjligt för denna typ av organisation att vara ett intelligent sätt till exempel genom att integrera mer avancerade funktioner som och inter-agent förhandling. För att förbättra agenternas förhandlingsförmåga kan en stegvis balanserad metod användas för att nå en överenskommelse mellan aktörer men också med människor och agent. 2003 ).
4.4 Slutsatser
PLN är den bästa artificiell intelligensteknik som kan tillämpas när data hör till texttyp. Efter att ha provat tre olika open source-tekniker skulle ingen använda dessa lösningar för problem där lösningen behöver minimera falska positiva effekter som vi har visat i en tabell med räknade fall. Men efter att ha provat andra kommersiella lösningar, till exempel ORG-TH-007 Området med öppna källlösningar har fortfarande mycket att säga inom detta område.
Öppen källteknik har testats endast mot deras NER-funktioner, med fler egenskaper som ska prövas som PLN-tekniker, men det finns en stor skillnad mellan grundläggande lösningar och SOFTWARE-TH-002 och grundläggande lösningar SOFTWARE-TH-003 Och dessa sista är bäst. Fallet med exponerad användning är ett bra exempel på hur PLN kan hjälpa andra företag (inte nödvändigtvis relaterat till turism) att uppnå en övre nivå för textdata.
Utvidgningen av den bioinspirerade MAS baserat på konkret struktur för att modellera en elektronisk resebyrå är en ny lösning som inte bara visar hur komplett och mångsidig MOM-arkitektur föreslår utan också att uppdelningsdesignregeln hjälper till med komplex systemimplementering.
Rapporterad till vår klient: COMPANY-002 öppen källkodslösningsteknik ger en mycket bra vision som kan hjälpa resebyråer att snabbt identifiera viktiga enheter samtidigt som man överväger texten till klientapplikationer.