WO2020091619A1 - Автоматизированная оценка качества диалоговой системы в реальном времени - Google Patents
Автоматизированная оценка качества диалоговой системы в реальном времени Download PDFInfo
- Publication number
- WO2020091619A1 WO2020091619A1 PCT/RU2018/000713 RU2018000713W WO2020091619A1 WO 2020091619 A1 WO2020091619 A1 WO 2020091619A1 RU 2018000713 W RU2018000713 W RU 2018000713W WO 2020091619 A1 WO2020091619 A1 WO 2020091619A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- dialogue
- module
- text
- phrases
- quality
- Prior art date
Links
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000008450 motivation Effects 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000001303 quality assessment method Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 description 12
- 210000004027 cell Anatomy 0.000 description 6
- 210000003470 mitochondria Anatomy 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 241001025261 Neoraja caerulea Species 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 125000003178 carboxy group Chemical group [H]OC(*)=O 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/22—Arrangements for supervision, monitoring or testing
- H04M3/2227—Quality of service monitoring
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
- H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
- H04M3/5175—Call or contact centers supervision arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
- H04M3/527—Centralised call answering arrangements not requiring operator intervention
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M2203/00—Aspects of automatic or semi-automatic exchanges
- H04M2203/35—Aspects of automatic or semi-automatic exchanges related to information services provided via a voice call
- H04M2203/355—Interactive dialogue design tools, features or methods
Definitions
- the present invention relates to the field of digital data processing, and in particular to methods for automatically evaluating the quality of a dialogue system based on an assessment of the relevance of individual messages.
- This method uses a score on a scale, where a person puts a certain number of points to the dialogs according to his opinion.
- a technical example of the implementation of such a solution are services of the type AWS Mechanical Turk or Yandex Toloka.
- a series of tasks are formulated for a set of people, by assessing a certain number of dialogs. Further estimates can be averaged.
- This type of assessment is also implemented in a number of articles and is used everywhere, for example, in chats of the Jivosite type where at the end of the dialogue the user is invited to evaluate the quality of the dialogue.
- Perplexity solution a mathematical metric from semantic analysis - conditionally how close the probability of receiving a response from the system is close to the probability of receiving an answer in a real situation (https://arxiv.org/pdf/l30l.6705.pdf).
- the disadvantages of such decisions are poor compliance with the real quality of the dialogue that people perceive. A large level of error in evaluating systems that generate correct, but unlike standard answers. Variability of reference responses.
- the technical problem to which the claimed technical solution is directed is the creation of a reliable and simple system of automated assessment of the quality of the dialogue system, which allows real-time automated assessment of the quality of the dialogue. Also, a significant problem to be solved of this kind of technical solutions is to ensure an increase in the speed of data processing and the accuracy of processing dialogs.
- the technical result consists in reducing computing resources and increasing the speed of determining an automated assessment of the quality of a dialogue system by replacing personal information with specialized topic words.
- a system for real-time automated quality assessment of a dialogue system comprising:
- a module for determining the subject of the dialogue configured to receive the text of the dialogue in real time and automatically determine the subject of this text of the dialogue;
- a dialogue text processing module configured to extract phrases from the dialogue text based on topic data that has been determined by the topic determination module
- a phrase filtering module made with the possibility of replacing personal information with specialized topic words
- a module of the classifier model of the current state of the dialogue made with the possibility of determining the motivation for continuing the topics of the dialogue in real time based on a sequence of phrases and determining the state of completion of the dialogue on the topics defined by the module for determining the topics of the dialogue;
- the module of the classifier model of the current quality of the dialogue made with the possibility of receiving information about the status of completion of the dialogue to assign a quality score to the dialogue based on phrases received from the classifier module of the current state of the dialogue of phrases.
- system further includes a module for further training of the dialogue system, configured to carry out further training of the dialogue based on a ballroom assessment of the quality of the dialogue.
- an open-source library for thematic modeling of large collections of text documents (BigARTM) or k-means is used to classify topics.
- the personal information is: numbers, names, place names, company names, individuals
- the list of topic words is generated in advance using the mechanisms of named entities NER (Named entity recognition).
- Named Entities Recognizing are objects of a certain type, most often composite, for example, names of organizations, names of people, dates, places, currency, etc. These categories can be represented by concepts of a predefined or dynamically built ontology.
- FIG. 1 illustrates a general view of the claimed system
- FIG. 2 illustrates a general diagram of a computing device.
- the present invention is directed to a system for automated real-time evaluation of the quality of a dialogue system.
- An example of such a system may be, for example, a call center system, which must decide whether the robot can continue the dialogue with the user.
- the claimed system (100) includes interconnected module for determining the topics of dialogue (110), a module for processing text of a dialogue (120), a phrase filtering module (130), a classifier model module for the current dialog state status (140), and a classifier model module for the current dialogue quality classifier (150).
- the dialogue topic determination module (110) is configured to receive dialogue text in real time.
- An example of such a dialogue can be a dialogue between a user, using, for example, his mobile phone with specialized software, and a bot. Where the user and the bot discuss, for example, user work, hobbies, family, weather, or to conduct dialogs on other topics (topics).
- the dialogue subject determination module (110) automatically determines the subject of the dialogue text between the above user and the bot.
- the subject of the obtained dialogue text is automatically determined using an open source library for thematic modeling of large collections of text documents (BigARTM) or using the k-means algorithm.
- the BigARTM library contains many pre-trained predictors, in particular, neural network models, the purpose of which is to classify the input text of the dialogue between a person and a bot (robot), that is, to find a correspondence between the input text of the dialogue and a predetermined set of possible classes of topics (categories) of previous saved dialogs to which this dialog text may refer.
- pre-trained predictors in particular, neural network models, the purpose of which is to classify the input text of the dialogue between a person and a bot (robot), that is, to find a correspondence between the input text of the dialogue and a predetermined set of possible classes of topics (categories) of previous saved dialogs to which this dialog text may refer.
- the classified dialogue text is supplied to the dialogue text processing module (120), which extracts phrases from the dialogue text based on subject data, and which were determined by the subject definition module (110). Then it represents the received text of the dialogue as a set of sequences of selected phrases.
- phrase filtering module 130
- personal information is replaced with specialized topic words.
- each received phrase is analyzed in order to find those sections in the phrase that contain personal information, such as numbers, names, place names, company names, personalities, and this personal information is replaced with specialized topic words.
- the list of topic words is formed in advance using the mechanisms of named entities NER (Named entity recognition). The following is an example of such a replacement.
- ⁇ DATE> is a specialized topic word.
- the motivation for continuation of the subject of the dialogue in real time is determined based on a sequence of phrases and the state of completion of the dialogue is determined by the topic defined by the module for determining the topic of the dialogue.
- motivation can be defined as follows: from the obtained filtered phrases, the module of the classifier model of the current state of dialogue (140) forms a sequence of phrases by time when they arrived at the module for determining the topic of dialogue (110).
- linguistic methods of text analysis determines the motivation for continuing the subject of dialogue in real time.
- phrases may consist of the following phrases:
- a sequence of phrases can consist of one phrase: "How are you?"
- sequence of phrases may consist of phrases, for example:
- the module determines such a sequence of phrases in relation to a given topic that the subject of the second phrase coincides with the subject of the first phrase and assigns an active state of dialogue to this topic.
- sequence of phrases may consist of phrases, for example:
- the module determines such a sequence of phrases regarding this topic that the topic of the fourth phrase does not coincide with the topics of the first three phrases and, accordingly, determines the state of completion of the dialogue on the topic defined by the module for determining the topic of the dialogue.
- a rating is assigned for the dialogue quality based on phrases received from the classifier module of the current state of the phrase dialogue.
- Assignment of a mark is carried out, for example, using a previously formed database where a list of phrases is stored indicating which score can be assigned to this phrase.
- this list of phrases can be generated by methods known from the prior art using neural networks.
- Such a network may be, for example, a two-layer CNN with softmax or a four-layer CNN.
- device (200) comprises components such as: one or more processors (201), at least one memory (202), data storage means (203), input / output interfaces (204), means B / In (205), means of network interaction (206).
- processors 201
- memory 202
- data storage means 203
- input / output interfaces 204
- means B / In 205
- means of network interaction 206
- the device processor (201) performs the basic computing operations necessary for the operation of the device (200) or the functionality of one or more of its components.
- the processor (201) executes the necessary computer-readable instructions contained in the random access memory (202).
- the processor (201) may be a full instruction set microprocessor (CISC), a reduced instruction set microprocessor (RISC), an extra long instruction microprocessor (VLIW), a processor implementing another instruction set, or processors implementing a combination command sets.
- the processor (201) can also be one or more special-purpose computing devices, for example, a custom integrated circuit (ASIC), user-programmable gate array (FPGA), digital signal processor (DSP), network processor, etc.
- the processor (201) is configured to execute instructions for performing the operations and functions discussed herein.
- the memory (202), as a rule, is made in the form of RAM and contains the necessary program logic that provides the required functionality.
- the storage medium (203) may be in the form of HDD, SSD disks, array raid, network storage, flash memory, optical information storage devices (CD, DVD, MD, Blue-Ray disks), etc.
- the tool (203) allows for long-term storage of various types of information, for example, the history of processing transactional requests (logs), user identifiers, etc.
- Interfaces (204) are standard means for connecting, for example, USB, RS232, RJ45, LPT, COM, HDMI, PS / 2, Lightning, FireWire, and the like.
- I / O data means (205) keyboard, joystick, display (touch screen), projector, touchpad, mouse, trackball, light pen, speakers, microphone, etc.
- Network communication tools (206) are selected from a device providing network reception and data transmission, for example, an Ethernet card, a WLAN / Wi-Fi module, a Bluetooth module, a BLE module, an NFC module, IrDa, an RFID module, a GSM modem, and so on. .P.
- a device providing network reception and data transmission for example, an Ethernet card, a WLAN / Wi-Fi module, a Bluetooth module, a BLE module, an NFC module, IrDa, an RFID module, a GSM modem, and so on. .P.
- the organization of data exchange via a wired or wireless data channel is provided, for example, WAN, PAN, LAN (LAN), Intranet, Internet, WLAN, WMAN or GSM.
- the components of the device (200) are interfaced via a common data bus (210).
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Machine Translation (AREA)
Abstract
Настоящее изобретение относится к области обработки цифровых данных, а именно к автоматизированной оценке качества диалоговой системы на базе оценки релевантности индивидуальных сообщений. Заявленная система содержит: модуль определения тематики диалога, выполненный с возможностью получения текста диалога в реальном времени и автоматического определения тематики этого текста диалога; модуль обработки текста диалога, выполненный с возможностью выделения фраз из текста диалога на основе данных о тематике, которые были определены модулем определения тематики; модуль фильтрации фраз, выполненный с возможностью замены персональной информацию на специализированные топик- слова; модуль модели классификатора текущего состояния диалога, выполненный с возможностью определения мотивации продолжения тематики диалога в реальном времени на основе последовательности фраз и определения состояния завершения диалога по тематике, определенной модулем определения тематики диалога; модуль модели классификатора текущего качества диалога, выполненный с возможностью при приеме информации о состоянии завершения диалога присваивать балльную оценку качества диалогу на основании фраз, полученных от модуля классификатора текущего состояния диалога фраз.
Description
АВТОМАТИЗИРОВАННАЯ ОЦЕНКА КАЧЕСТВА ДИАЛОГОВОЙ СИСТЕМЫ В
РЕАЛЬНОМ ВРЕМЕНИ
ОБЛАСТЬ ИЗОБРЕТЕНИЯ
[0001] Настоящее изобретение относится к области обработки цифровых данных, а именно к способам автоматизированной оценки качества диалоговой системы на базе оценки релевантности индивидуальных сообщений.
УРОВЕНЬ ТЕХНИКИ
[0002] Из патента ЕР2287835В1 (МПК G10L15/00; G10L15/22, опубл. 23.02.2011) известна система моделирования поведения пользователя для оценки речевого диалога.
[0003] Из заявки на изобретение US20090112586A1 (МПК G10L15/00, опубл. 30.04.2009) известны система и способ оценки имитаций пользователей в устной диалоговой системе. В данном решении используется пользовательское моделирование разговорной диалоговой системы, которое включает в себя объединение первого набора одного или нескольких баллов из реального диалогового окна пользователя, агрегирование второго набора из одного или нескольких баллов из имитированного диалогового окна пользователя, связанного с пользовательской моделью, определение сходства распределений, связанных с каждым из первого набора и второго набора, где сходство определяется с использованием показателя дивергенции, который не требует каких-либо предположений относительно формы распределений. Недостатками таких решений является большой уровень ошибок при оценке качества диалоговой системы и низкая эффективность за счет низкой скорости обработки диалогов.
[0004] Известны также решения оценки качества диалоговой системы, такие как, способ ассессорной оценки. В данном способе используется оценка по балльной шкале, где человек проставляет некоторое количество баллов диалогам согласно его мнению. Техническим примером имплементации такого решения являются сервисы типа - AWS Mechanical Turk или Яндекс Толока. Набору людей формулируются серии заданий, по оценке некоторого количества диалогов. В дальнейшем оценки могут усредняться. Данный тип оценки также реализован в ряде статей и используется повсеместно, например, в чатах типа Jivosite где в конце диалога пользователю предлагается оценить качество диалога. Недостатками данных решений является то, что они полностью не автоматизированы, т.к. в них принимает участие человек как элемент решения и плохо масштабируемые.
[0005] В качестве решений на текущем уровне техники, локально решающие вопросы оценки набора диалогов математическими методами известны из таких решений, например, как: оценка набора диалогов математическими методами с помощью формальных метрик типа F1 или perplexity, где F1 - мера близости используется для сравнения эталонного ответа с реальным. Используется обычно мера близости по словам без их порядка или какая-нибудь модификация (http://www.aclweb.Org/anthology/E 12- 1048): решение Perplexity - математическая метрика из семантического анализа - условно насколько вероятность получения ответа от системы близка к вероятности получения ответа в реальной ситуации (https://arxiv.org/pdf/l30l.6705.pdf). Недостатками таких решений является плохое соответствие реальному качеству диалога, который воспринимается людьми. Большой уровень ошибки при оценке систем, генерирующих верные, но непохожие на эталонные ответы. Вариативность эталонных ответов.
СУЩНОСТЬ ИЗОБРЕТЕНИЯ
[0006] Технической проблемой, на решение которой направлено заявленное техническое решение, является создание надежной и простой системы автоматизированной оценки качества диалоговой системы, позволяющей в режиме реального времени осуществлять автоматизированную оценку качества диалога. Также существенной решаемой проблемой подобного рода технических решений является обеспечение повышение скорости обработки данных и точности обработки диалогов.
[0014] Технический результат заключается в снижении вычислительных ресурсов и повышении скорости определения автоматизированной оценки качества диалоговой системы за счет замены персональной информацию на специализированные топик-слова.
[0015] В предпочтительном варианте реализации заявлена система автоматизированной оценки качества диалоговой системы в реальном времени, содержащая:
1) модуль определения тематики диалога, выполненный с возможностью получения текста диалога в реальном времени и автоматического определения тематики этого текста диалога;
2) модуль обработки текста диалога, выполненный с возможностью выделения фраз из текста диалога на основе данных о тематике, которые были определены модулем определения тематики;
3) модуль фильтрации фраз, выполненный с возможностью замены персональной информацию на специализированные топик-слова;
4) модуль модели классификатора текущего состояния диалога, выполненный с возможностью определения мотивации продолжения тематики диалога в реальном времени на основе последовательности фраз и определения состояния завершения диалога по тематике, определенной модулем определения тематики диалога;
5) модуль модели классификатора текущего качества диалога, выполненный с возможностью при приеме информации о состоянии завершения диалога присваивать балльную оценку качества диалогу на основании фраз, полученных от модуля классификатора текущего состояния диалога фраз.
[0016] В частном варианте система дополнительно включает модуль дообучения диалоговой системы, выполненный с возможностью на основе бальной оценки качества диалога осуществлять дообучение диалоговой.
[0017] В другом частном варианте для классификации тематик используется библиотека с открытым кодом для тематического моделирования больших коллекций текстовых документов (BigARTM) или k-means.
[0018] В другом частном варианте персональной информацией являются: числа, имена, названия мест, названия компаний, индивидуальности
[0019] В другом частном варианте список топик-слов формируется заранее с использованием механизмов именованных сущностей NER (Named entity recognition).
[0020] Именованные сущности (NER - Named-Entity Recognizing)— это объекты определенного типа, чаще всего составные, например, названия организаций, имена людей, даты, места, денежные единицы и т.д. Эти категории могут быть представлены концептами заранее определенной или динамически выстраиваемой онтологии.
Примеры именованных сущностей:
- Имена персоналий: И. Сечин, Ben White;
- Географические названия: р. Ока, гор. Москва;
- Названия компаний/организаций: РЖД, ОАО «Уют»;
- Даты и временные отрезки: 02.03.1913, 2 р.т;
- Номера телефонов: +7(123)456-78-90;
- Адреса: 3-ая улица Строителей д. 25, кв.12;
- Марки товаров: Nokia, Apple, Land Rover;
- Обозначения денежных единиц: руб., $, GBP;
- Ссылки на литературу: [2], [Иванов, 1995];
- Гены, белки, хим. вещества: H2N-CH(R)-COOH.
ОПИСАНИЕ ЧЕРТЕЖЕЙ
[0021] Реализация изобретения будет описана в дальнейшем в соответствии с прилагаемыми чертежами, которые представлены для пояснения сути изобретения и никоим образом не ограничивают область изобретения. К заявке прилагаются следующие чертежи:
Фиг. 1 иллюстрирует общий вид заявленной системы;
Фиг. 2 иллюстрирует общую схему вычислительного устройства.
ДЕТАЛЬНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯ
[0022] В приведенном ниже подробном описании реализации изобретения приведены многочисленные детали реализации, призванные обеспечить отчетливое понимание настоящего изобретения. Однако, квалифицированному в предметной области специалисту, будет очевидно каким образом можно использовать настоящее изобретение, как с данными деталями реализации, так и без них. В других случаях хорошо известные методы, процедуры и компоненты не были описаны подробно, чтобы не затруднять излишне понимание особенностей настоящего изобретения.
[0023] Кроме того, из приведенного изложения будет ясно, что изобретение не ограничивается приведенной реализацией. Многочисленные возможные модификации, изменения, вариации и замены, сохраняющие суть и форму настоящего изобретения, будут очевидными для квалифицированных в предметной области специалистов.
[0024] Настоящее изобретение направлено на создание системы автоматизированной оценки качества диалоговой системы в реальном времени.
[0025] Примером такой системы может являться, например, система колл-центра, которая должна принять решения может ли робот продолжить диалог с пользователем.
[0025] Как представлено на Фиг. 1, заявленная система (100) включает связанные между собой модуль определения тематики диалога (110), модуль обработки текста диалога (120),
модуль фильтрации фраз (130), модуль модели классификатора текущего состояния диалога (140) и модуль модели классификатора текущего качества диалога (150).
[0026] Модуль определения тематики диалога (110), выполнен с возможностью получения текста диалога в реальном времени. Примером такого диалога может являться диалог между пользователем, с помощью, например, его мобильного телефона со специализированным программным обеспечением, и ботом. Где пользователь и бот обсуждают, например, работу пользователя, хобби, семью, погоду или вести диалоги на прочие темы (тематики).
[0027] Далее модуль определения тематики диалога (110) автоматически определяет тематику текста диалога между указанными выше пользователем и ботом.
При этом тематика полученного текста диалога определяется автоматически с использованием библиотеки с открытым кодом для тематического моделирования больших коллекций текстовых документов (BigARTM) или с использованием алгоритма к средних (k-means).
[0027] В библиотеке BigARTM сохранено множество предварительно обученных предикторов, в частном случае - нейросетевых моделей, целью применения которых является классификация входного текста диалога между человеком и ботом (роботом), то есть нахождения соответствия между входным текстом диалога и заранее определённым множеством возможных классов тематик (категорий) предыдущих сохраненных диалогов, к которым этот текст диалога может относиться.
[0028] Проклассифицированный текст диалога поступает на модуль обработки текста диалога (120), который выделяет фразы из текста диалога на основе данных о тематике, и которые были определены модулем определения тематики (110). После чего представляет полученный текст диалога, как набор последовательностей выделенных фраз.
[0029] Далее эти выделенные фразы поступают на модуль фильтрации фраз (130), в котором происходит замена персональной информацию на специализированные топик-слова. Это происходит следующим образом, анализируется каждая полученная фраз для того, чтобы найти те участки в фразе, в которых содержится персональная информация, такая как числа, имена, названия мест, названия компаний, индивидуальности и осуществляется замена этой персональной информации на специализированные топик-слова. Список топик-слов формируется заранее с использованием механизмов именованных сущностей NER (Named entity recognition).
Ниже приведен пример такой замены.
Например фраза «У меня 10 декабря было день рождения» заменяется на фразу «У меня <DATE> было день рождения».
<DATE> является специализированным топик-словом.
[0030] После чего в модуле модели классификатора текущего состояния диалога (140), происходит определение мотивации продолжения тематики диалога в реальном времени на основе последовательности фраз и определение состояния завершения диалога по тематике, определенной модулем определения тематики диалога.
Например, мотивация может быть определена следующим образом: из полученных отфильтрованных фраз модуль модели классификатора текущего состояния диалога (140) формирует последовательность фраз по времени, когда они поступили на модуль определения тематики диалога (110). Известными из уровня техники лингвистическими методами анализа текста осуществляет определение мотивации продолжения тематики диалога в реальном времени.
В частности, последовательность фраз может состоять из следующих фраз:
- Как дела?;
- Хорошо;
- Что делаешь?;
- Митохондрии находятся в клетках.
Пример определения мотивации продолжения тематики: a. Как дела? - Да
B. Как дела? Хорошо - Возможно c. Как дела? Хорошо. Что делаешь? - Да d. Как дела? Хорошо. Что делаешь? Митохондрии находятся в клетках - Нет e. Хорошо - Возможно f. Хорошо. Что делаешь? - Да g. Хорошо. Что делаешь? Митохондрии находятся в клетках - Нет h. Что делаешь? - Да
1. Что делаешь? Митохондрии находятся в клетках. - Возможно j. Митохондрии находятся в клетках. - Возможно
Последовательность фраз может состоять из одной фразы: «Как дела?»
В таком случае согласно известным из уровня техники лингвистическими методам анализа текста определяет такую последовательность фраз в отношении данной тематики мотивированную и назначает активное состояние диалога на данную тематику.
В альтернативном варианте последовательность фраз может состоять из фраз, например:
«Как дела?» - «Хорошо.»
В таком случае согласно известным из уровня техники лингвистическими методам анализа текста модуль определяет такую последовательность фраз в отношении данной тематики, что тематика второй фразы совпадает с тематикой первой фразы и назначает активное состояние диалога на данную тематику.
В другом альтернативном варианте последовательность фраз может состоять из фраз, например:
«Как дела?» - «Хорошо.» - «Что делаешь?» - «Митохондрии находятся в клетках.»
В таком случае согласно известным из уровня техники лингвистическими методам анализа текста модуль определяет такую последовательность фраз в отношении данной тематики, что тематика четвертой фразы не совпадает с тематиками первых трех фраз и соответственно определяет состояние завершения диалога по тематике, определенной модулем определения тематики диалога.
[0031] После определения состояния завершения диалога по тематике в модуле модели классификатора текущего качества диалога (150) происходит присваивание балльной оценки качества диалога на основании фраз, полученных от модуля классификатора текущего состояния диалога фраз.
Присвоение бальной оценки осуществляется, например, с использованием ранее сформированной базы, где хранится список фраз с указанием того какой балл может быть присвоен данной фразы. При этом, данный список фраз может быть сформирован известными из уровня техники методами с помощью нейронных сетей. Такой сетью может быть, например, двухслойная CNN с функцией softmax или четырехслойная CNN.
[0032] На Фиг. 2 далее будет представлена общая схема компьютерного устройства (200), обеспечивающего обработку данных, необходимую для реализации заявленной системы.
[0033] В общем случае устройство (200) содержит такие компоненты, как: один или более процессоров (201), по меньшей мере одну память (202), средство хранения данных (203), интерфейсы ввода/вывода (204), средство В/В (205), средства сетевого взаимодействия (206).
[0034] Процессор (201) устройства выполняет основные вычислительные операции, необходимые для функционирования устройства (200) или функционала одного или более его компонентов. Процессор (201) исполняет необходимые машиночитаемые команды, содержащиеся в оперативной памяти (202).
В частности, процессор (201) может представлять собой микропроцессор с полным набором команд (CISC), микропроцессор с сокращенным набором команд (RISC), микропроцессор с командными словами сверхбольшой длины (VLIW), процессор, реализующий другой набор команд, или процессоры, реализующие комбинацию наборов команд. Процессор (201) также может представлять собой одно или несколько вычислительных устройств специального назначения, например, заказную интегральную микросхему (ASIC), программируемую пользователем вентильную матрицу (FPGA), процессор цифровых сигналов (DSP), сетевой процессор и т.п. Процессор (201) настроен на выполнение команд для осуществления рассмотренных в настоящем документе операций и функций.
[0035] Память (202), как правило, выполнена в виде ОЗУ и содержит необходимую программную логику, обеспечивающую требуемый функционал.
[0036] Средство хранения данных (203) может выполняться в виде HDD, SSD дисков, рейд массива, сетевого хранилища, флэш-памяти, оптических накопителей информации (CD, DVD, MD, Blue-Ray дисков) и т.п. Средство (203) позволяет выполнять долгосрочное хранение различного вида информации, например, истории обработки транзакционных запросов (логов), идентификаторов пользователей и т.п.
[0037] Интерфейсы (204) представляют собой стандартные средства для подключения, например, USB, RS232, RJ45, LPT, COM, HDMI, PS/2, Lightning, FireWire и т.п.
[0038] Выбор интерфейсов (204) зависит от конкретного исполнения устройства (200), которое может представлять собой персональный компьютер, мейнфрейм, серверный кластер, тонкий клиент, смартфон, ноутбук и т.п.
[0039] В качестве средств В/В данных (205) может использоваться: клавиатура, джойстик, дисплей (сенсорный дисплей), проектор, тачпад, манипулятор мышь, трекбол, световое перо, динамики, микрофон и т.п.
[0040] Средства сетевого взаимодействия (206) выбираются из устройства, обеспечивающий сетевой прием и передачу данных, например, Ethernet карту, WLAN/Wi- Fi модуль, Bluetooth модуль, BLE модуль, NFC модуль, IrDa, RFID модуль, GSM модем и т.п. С помощью средств (205) обеспечивается организация обмена данными по проводному или беспроводному каналу передачи данных, например, WAN, PAN, ЛВС (LAN), Интранет, Интернет, WLAN, WMAN или GSM.
[0041] Компоненты устройства (200) сопряжены посредством общей шины передачи данных (210).
[0042] В настоящих материалах заявки было представлено предпочтительное раскрытие осуществление заявленного технического решения, которое не должно использоваться как ограничивающее иные, частные воплощения его реализации, которые не выходят за рамки испрашиваемого объема правовой охраны и являются очевидными для специалистов в соответствующей области техники.
[0043] Некоторые части описания предпочтительных вариантов реализации представлены в виде алгоритмов и символического представления операций с битами данных в памяти компьютера. Такие описания и представления алгоритмов представляют собой средства, используемые специалистами в области обработки данных, чтобы наиболее эффективно передавать сущность своей работы другим специалистам в данной области. В настоящем документе и в целом алгоритмом называется самосогласованная последовательность операций, приводящих к требуемому результату. Операции требуют физических манипуляций с физическими величинами. Обычно, хотя и не обязательно, эти величины принимают форму электрических или магнитных сигналов, которые можно хранить, передавать, комбинировать, сравнивать и подвергать другим манипуляциям. Оказалось, что прежде всего для обычного использования удобно описывать эти сигналы в виде битов, значений, элементов, символов, членов, цифр и т.д.
[0044] Однако следует иметь в виду, что все эти и подобные термины должны быть связаны с соответствующими физическими величинами, и что они представляют собой просто удобные метки, применяемые к этим величинам. Если иное специально и недвусмысленно не указано в нижеследующем обсуждении, следует принимать, что везде по тексту такие термины как "определение", "вычисление", "расчет", "вычисление", "получение",
"установление", "изменение" и т.п., относятся к действиям и процессам вычислительного устройства или аналогичного электронного вычислительного устройства, которое работает с данными и преобразует данные, представленные в виде физических (например, электронных) величин в регистрах и памяти вычислительного устройства, в другие данные, аналогичным образом представленные в виде физических величин в памяти или регистрах вычислительного устройства, либо других подобных устройствах хранения, передачи или отображения информации.
[0045] Следует понимать, что вышеприведенное описание носит иллюстративный, а не ограничительный характер. Различные другие варианты осуществления станут очевидны специалистам в данной области техники после прочтения и понимания приведенного выше описания. Поэтому объем раскрытия должен определяться со ссылкой на прилагаемую формулу изобретения наряду с полным объемом эквивалентов, на которые такие требования предоставляют право.
Claims
1. Система автоматизированной оценки качества диалоговой системы в реальном времени, содержащая:
1) модуль определения тематики диалога, выполненный с возможностью получения текста диалога в реальном времени и автоматического определения тематики этого текста диалога;
2) модуль обработки текста диалога, выполненный с возможностью выделения фраз из текста диалога на основе данных о тематике, которые были определены модулем определения тематики;
3) модуль фильтрации фраз, выполненный с возможностью замены персональной информацию на специализированные топик-слова;
4) модуль модели классификатора текущего состояния диалога, выполненный с возможностью определения мотивации продолжения тематики диалога в реальном времени на основе последовательности фраз и определения состояния завершения диалога по тематике, определенной модулем определения тематики диалога;
5) модуль модели классификатора текущего качества диалога, выполненный с возможностью при приеме информации о состоянии завершения диалога присваивать балльную оценку качества диалогу на основании фраз, полученных от модуля классификатора текущего состояния диалога фраз.
2. Система по п.1, характеризующаяся тем, что дополнительно включает модуль дообучения диалоговой системы, выполненный с возможностью на основе бальной оценки качества диалога осуществлять дообучение диалоговой.
3. Система по п.1, характеризующаяся тем, что для классификации тематик используется библиотека с открытым кодом для тематического моделирования больших коллекций текстовых документов (BigARTM) или k-means.
4. Система по п.1, характеризующаяся тем, что персональной информацией являются: числа, имена, названия мест, названия компаний, индивидуальности.
Система по п.1, характеризующаяся тем, что список топик-слов формируется заранее с использованием механизмов именованных сущностей NER (Named entity recognition).
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18938773.1A EP3876228A4 (en) | 2018-10-30 | 2018-10-30 | AUTOMATED ESTIMATE OF THE QUALITY OF A REAL-TIME DIALOGUE SYSTEM |
PCT/RU2018/000713 WO2020091619A1 (ru) | 2018-10-30 | 2018-10-30 | Автоматизированная оценка качества диалоговой системы в реальном времени |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/RU2018/000713 WO2020091619A1 (ru) | 2018-10-30 | 2018-10-30 | Автоматизированная оценка качества диалоговой системы в реальном времени |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2020091619A1 true WO2020091619A1 (ru) | 2020-05-07 |
Family
ID=70462474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/RU2018/000713 WO2020091619A1 (ru) | 2018-10-30 | 2018-10-30 | Автоматизированная оценка качества диалоговой системы в реальном времени |
Country Status (2)
Country | Link |
---|---|
EP (1) | EP3876228A4 (ru) |
WO (1) | WO2020091619A1 (ru) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112035633A (zh) * | 2020-08-21 | 2020-12-04 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、对话设备及存储介质 |
CN117112744A (zh) * | 2023-08-02 | 2023-11-24 | 北京聆心智能科技有限公司 | 大语言模型的评估方法、装置及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6603854B1 (en) * | 2000-02-25 | 2003-08-05 | Teltronics, Inc. | System and method for evaluating agents in call center |
US20070067280A1 (en) * | 2003-12-31 | 2007-03-22 | Agency For Science, Technology And Research | System for recognising and classifying named entities |
US20090112586A1 (en) | 2007-10-24 | 2009-04-30 | At&T Lab. Inc. | System and method of evaluating user simulations in a spoken dialog system with a diversion metric |
US20100272246A1 (en) * | 2005-12-14 | 2010-10-28 | Dale Malik | Methods, Systems, and Products for Dynamically-Changing IVR Architectures |
EP2287835B1 (de) | 2009-07-10 | 2012-05-23 | Deutsche Telekom AG | Automatisiertes Auswerten der Nutzbarkeit eines Sprachdialogsystems |
US20170006161A9 (en) * | 2013-03-15 | 2017-01-05 | Genesys Telecommunications Laboratories, Inc. | Intelligent automated agent for a contact center |
RU2647661C1 (ru) * | 2016-12-29 | 2018-03-16 | Самсунг Электроникс Ко., Лтд. | Способ определения профиля пользователя мобильного устройства на самом мобильном устройстве и система демографического профилирования |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11516153B2 (en) * | 2016-01-25 | 2022-11-29 | Expensify, Inc. | Computer system providing a chat engine |
-
2018
- 2018-10-30 WO PCT/RU2018/000713 patent/WO2020091619A1/ru unknown
- 2018-10-30 EP EP18938773.1A patent/EP3876228A4/en not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6603854B1 (en) * | 2000-02-25 | 2003-08-05 | Teltronics, Inc. | System and method for evaluating agents in call center |
US20070067280A1 (en) * | 2003-12-31 | 2007-03-22 | Agency For Science, Technology And Research | System for recognising and classifying named entities |
US20100272246A1 (en) * | 2005-12-14 | 2010-10-28 | Dale Malik | Methods, Systems, and Products for Dynamically-Changing IVR Architectures |
US20090112586A1 (en) | 2007-10-24 | 2009-04-30 | At&T Lab. Inc. | System and method of evaluating user simulations in a spoken dialog system with a diversion metric |
EP2287835B1 (de) | 2009-07-10 | 2012-05-23 | Deutsche Telekom AG | Automatisiertes Auswerten der Nutzbarkeit eines Sprachdialogsystems |
US20170006161A9 (en) * | 2013-03-15 | 2017-01-05 | Genesys Telecommunications Laboratories, Inc. | Intelligent automated agent for a contact center |
RU2647661C1 (ru) * | 2016-12-29 | 2018-03-16 | Самсунг Электроникс Ко., Лтд. | Способ определения профиля пользователя мобильного устройства на самом мобильном устройстве и система демографического профилирования |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112035633A (zh) * | 2020-08-21 | 2020-12-04 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、对话设备及存储介质 |
CN112035633B (zh) * | 2020-08-21 | 2023-07-25 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、对话设备及存储介质 |
CN117112744A (zh) * | 2023-08-02 | 2023-11-24 | 北京聆心智能科技有限公司 | 大语言模型的评估方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
EP3876228A4 (en) | 2021-11-10 |
EP3876228A1 (en) | 2021-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11080304B2 (en) | Feature vector profile generation for interviews | |
US11676067B2 (en) | System and method for creating data to train a conversational bot | |
WO2019153737A1 (zh) | 用于对评论进行评估的方法、装置、设备和存储介质 | |
US9268766B2 (en) | Phrase-based data classification system | |
US11783131B2 (en) | Knowledge graph fusion | |
WO2018184518A1 (zh) | 微博数据处理方法、装置、计算机设备及存储介质 | |
US10909973B2 (en) | Intelligent facilitation of communications | |
CN110705255B (zh) | 检测语句之间的关联关系的方法和装置 | |
US11032217B2 (en) | Reusing entities in automated task-based multi-round conversation | |
US20200035229A1 (en) | Word clustering and categorization | |
KR102285142B1 (ko) | 챗봇을 위한 학습 데이터 추천 장치 및 방법 | |
US11934787B2 (en) | Intent determination in a messaging dialog manager system | |
Hastie | Metrics and evaluation of spoken dialogue systems | |
US11709553B2 (en) | Automated prediction of a location of an object using machine learning | |
US11099107B2 (en) | Component testing plan considering distinguishable and undistinguishable components | |
Zambrano et al. | From ncoder to chatgpt: From automated coding to refining human coding | |
WO2020091618A1 (ru) | Система определения именованных сущностей с динамическими параметрами | |
US11205048B2 (en) | Contextual disambiguation of an entity in a conversation management system | |
US20210065019A1 (en) | Using a dialog system for learning and inferring judgment reasoning knowledge | |
WO2020091619A1 (ru) | Автоматизированная оценка качества диалоговой системы в реальном времени | |
US11487767B2 (en) | Automated object checklist | |
US11657811B2 (en) | Modification of voice commands based on sensitivity | |
US10970490B2 (en) | Automatic evaluation of artificial intelligence-based processes | |
Surendran et al. | Conversational AI-A retrieval based chatbot | |
KR102155692B1 (ko) | 소셜 네트워크 서비스 메시지의 감정 분석을 위한 POS(part of speech) 특징기반의 감정 분석 방법 및 이를 수행하는 감정 분석 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 18938773 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
ENP | Entry into the national phase |
Ref document number: 2018938773 Country of ref document: EP Effective date: 20210531 |