Chatbot Analytics Based on Question Answering System and Deep Learning: Case Study for Movie Smart Automatic Answering
Notice bibliographique
Résumé
Question Answer (QA) systems are established to retrieves accurate and concise answers to human queries posted in natural language. The primary focus of the QA system is to achieve efficient and natural interaction between machines and humans. To achieve the above several researchers are directed towards Natural Language Processing (NLP) based deep learning. With the rise of a variety of deep NLP models, it is now possible to obtain a vector form of words and sentences that stores the meaning of the context. NLP considerably aids deep learning-based mathematical models in understanding the semantic and syntax of natural human language. The Cornell Movie-Dialogs Corpus created at Cornell University, and Movie Dialog Dataset created at Facebook are preprocessed and used to train the chatbot. Deep learning model has been built to answer questions about movies from Moview reviews. The encoder and decoder of the Seq2Seq model comprise of LSTM cells and are defined using Bidirectional Dynamic RNN and Dynamic Decoder RNN package of the tensor flow library. Additionally, to ensure the chatbot performs well on long sentences attention mechanism from the tensor flow library is applied to the decoder. In this paper, research is conducted on build a smart chatbots based QA system that employs a deep learning model. The deep learning model employs a sequence-to-sequence (Seq2Seq) word embedding that was proposed by Ilya Sutskever in 2014, which had laid the foundation for building chatbot model build in this paper.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».