Создание системы чат-ботов для анализа мнений англоязычных комментариев

Обложка

Цитировать

Полный текст

Аннотация

Исследования чат-ботов значительно продвинулись за эти годы. Предприятия изучают, как улучшить производительность, принятие и внедрение этих инструментов, чтобы общаться с клиентами или внутренними командами через социальные сети. Кроме того, предприятия также хотят обращать внимание на качественные отзывы клиентов в социальных сетях о продуктах, доступных на рынке. Оттуда, пожалуйста, выберите новый метод для улучшения качества обслуживания своих продуктов, а затем отправьте его в издательские агентства для публикации на основе потребностей и оценки общества. Несмотря на то, что в последнее время было проведено множество исследований, не все из них затрагивают вопрос оценки мнений о системе чат-ботов. Основная цель исследования в этой статье — оценить человеческие комментарии на английском языке с помощью системы чат-ботов. Документы системы предварительно обрабатываются и сопоставляются мнения, чтобы предоставить заключения на основе комментариев на английском языке. Основанная на практических потребностях и социальных условиях, эта методология направлена на развитие контента чат-бота на основе взаимодействия с пользователем, что позволяет осуществлять циклический и контролируемый человеком процесс со следующими этапами оценки комментариев на английском языке. Сначала мы предварительно обрабатываем входные данные, собирая комментарии в социальных сетях, а затем наша система анализирует эти комментарии в соответствии с рейтингом просмотров по каждой затронутой теме. Наконец, данная система будет давать рейтинг и результат комментариев для каждого комментария, введенного в систему. Эксперименты показывают, что данный метод может повысить точность на 78,53% лучше, чем упомянутые методы.

Об авторах

Х. В Нгуен

Восточноазиатский технологический университет

Автор, ответственный за переписку.
Email: hungnv@eaut.edu.vn
Ки Фу - Ки Ань -

Н. Тан

Восточноазиатский технологический университет

Email: tan25102000@gmail.com
Чынг Зунг - Тиен Лу -

Н. Х Куан

Восточноазиатский технологический университет

Email: quan31nd@gmail.com
Суан Тхань, Суан Хыонг -

Ч. Т Хыонг

Ханойский университет науки и технологий

Email: huong.truongthu@hust.edu.vn
улица Дай Ко Вьет 1

Н. Х Пхат

Ханойский университет науки и технологий

Email: phat.nguyenhuu@hust.edu.vn
улица Дай Ко Вьет 1

Список литературы

  1. Scholz T., Conrad S. Opinion mining in newspaper articles by entropy-based word connections. Proceedings of the 2013 Conference on Empirical Methods in Natural Language Processing. Seattle, Washington, USA: Association for Computational Linguistics, 2013. pp. 1828–1839.
  2. Feldman R. Techniques and applications for sentiment analysis. Communications of the ACM. 2013. vol. 56. pp. 82–89.
  3. Mauldin M. Chatbot. Available at: https://en.wikipedia. org/wiki/Chatbot. (accessed: 10.11.2022).
  4. Ganesan M., Deepika C., HarievashiniB., Krithikha A., Lokhratchana B. A survey on chatbots using artificial intelligence. International Conference on System, Computation, Automation and Networking (ICSCAN). 2020. pp. 1–5.
  5. Singh S., Kaur M., Tanwar P., Sharma S. Design and development of conversational chatbot for covid-19 using nlp: an ai application. 6th International Conference on Computing Methodologies and Communication (ICCMC). 2022. pp. 1654–1658.
  6. Liu F., Yang X., Wang Y. An interactive chatbot for university open day. IEEE 13th International Conference on Software Engineering and Service Science (ICSESS). 2022. pp. 214–217.
  7. Rawat B., Bist A., Rahardja U., Aini Q., Ayu Sanjaya Y. Recent deep learning based nlp techniques for chatbot development: An exhaustive survey. 10th International Conference on Cyber and IT Service Management (CITSM). 2022. pp. 1–4.
  8. Garg R., Riya R., Thakur S., Tyagi N., Basha K., Vij D., Sodhi G. Nlp based chatbot for multiple restaurants. 10th International Conference on System Modeling Advancement in Research Trends (SMART). 2021. pp. 439–443.
  9. Wahal A., Aggarwal M., Poongodi T. Iot based chatbots using nlp and svm algorithms. 3rd International Conference on Intelligent Engineering and Management (ICIEM). 2022. pp. 484–489.
  10. Adam M., Wessel M., Benlian A. AI-based chatbots in customer service and their effects on user compliance. Electronic Markets. 2021. vol. 31. no. 2. pp. 427–445.
  11. Ceuca L., Rednic A., Chifu E. Safer museum guide interaction during a pandemic and further using nlp in human interactive museum visits: Museum guide chatbot. IEEE 17th International Conference on Intelligent Computer Communication and Processing (ICCP). 2021. pp. 313–318.
  12. Smutny P., Schreiberova P. Chatbots for learning: A review of educational chatbots for the facebook messenger. Computers Education. 2020. vol. 151. p. 103862.
  13. Purohit J., Bagwe A., Mehta R., Mangaonkar O., George E. Natural language processing based jaro-the interviewing chatbot. 3rd International Conference on Computing Methodologies and Communication (ICCMC). 2019. pp. 134–136.
  14. Srivastava P., Singh N. Automatized medical chatbot (medibot). International Conference on Power Electronics IoT Applications in Renewable Energy and its Control (PARC). 2020. pp. 351–354.
  15. Polignano M., Narducci F., Iovine A., Musto C., De Gemmis M., Semeraro G., Healthassistantbot: A personal health assistant for the italian language. IEEE Access. 2020. vol. 8. pp. 107479–107497.
  16. Kumari S., Naikwadi Z., Akole A., Darshankar P. Enhancing college chat bot assistant with the help of richer human computer interaction and speech recognition. International Conference on Electronics and Sustainable Communication Systems (ICESC). 2020. pp. 427–433.
  17. Ait-Mlouk A., Jiang L. Kbot: A knowledge graph based chatbot for natural language understanding over linked data. IEEE Access. 2020. vol. 8. pp. 149220–149230.
  18. Makhkamova O., Lee K.-H., Do K., Kim D. Deep learning-based multi-chatbot broker for qa improvement of video tutoring assistant. IEEE International Conference on Big Data and Smart Computing (BigComp). 2020. pp. 221–224.
  19. Nguyen Huu P., Do Manh C., Nguyen Trong H. Proposing chatbot model for managing comments in vietnam,” in Industrial Networks and Intelligent Systems. Eds. N.-S. Vo, V.-P. Hoang, Q.-T. Vien. Cham: Springer International Publishing, 2021. pp. 287–297.
  20. Sinha S., Basak S., Dey Y., Mondal A. An educational chatbot for answering queries. Emerging technology in modelling and graphics. Springer, 2020. pp. 55–60.
  21. Selvi V., Saranya S., Chidida K., Abarna R. Chatbot and bullyfree chat. IEEE International Conference on System, Computation, Automation and Networking (ICSCAN). 2019. pp. 1–5.
  22. Miklosik A., Evans N., Qureshi A. The use of chatbots in digital business transformation: A systematic literature review. IEEE Access. 2021. vol. 9. pp. 106530–106539.
  23. Daniel G., Cabot J., Deruelle L., Derras M. Xatkit: A multimodal low-code chatbot development framework,” IEEE Access, 2020. vol. 8. pp. 15332–15346.
  24. Santos G., De Andrade G., Silva G., Duarte F., Costa J., De Sousa R. A conversation-driven approach for chatbot management. IEEE Access. 2022. vol. 10. pp. 8474–8486.
  25. Medeiros L., Bosse T. Gerritsen C. Can a chatbot comfort humans? studying the impact of a supportive chatbot on users’ self-perceived stress. IEEE Transactions on Human-Machine Systems. 2022. vol. 52. no. 3. pp. 343–353.
  26. Abdellatif A., Badran K., Costa D., Shihab E. A comparison of natural language understanding platforms for chatbots in software engineering. IEEE Transactions on Software Engineering. 2022. vol. 48. no. 8. pp. 3087–3102.
  27. Zhang L., Yang Y., Zhou J., Chen C., He L. Retrieval-polished response generation for chatbot,” IEEE Access. 2020. vol. 8. pp. 123882–123890.
  28. Ren R., Perez-Soler S., Castro J., Dieste O., Acuna S. Using the socio chatbot for uml modeling: A second family of experiments on usability in academic settings. IEEE Access. 2022. vol. 10. pp. 130542–130562.
  29. The stanford natural language processing (nlp). Available at: https://nlp.stanford.edu/software/tagger.shtml. (accessed: 02.11.2022).
  30. Nicolov N., Salvetti F., Ivanova S. Sentiment analysis: Does coreference matter. AISB 2008 convention communication, interaction and social intelligence. 2008. vol. 1. p. 37.
  31. Kanayama H., Nasukawa T., Watanabe H. Deeper sentiment analysis using machine translation technology. COLING 2004: Proceedings of the 20th International Conference on Computational Linguistics. 2004. pp. 494–500.
  32. Hu M., Liu B. Mining and summarizing customer reviews. Proceedings of the tenth ACM SIGKDD international conference on Knowledge discovery and data mining. 2004. pp. 168–177.
  33. Ko M.-C., Lin Z.-H. Cardbot: A chatbot for business card management. Proceedings of the 23rd International Conference on Intelligent User Interfaces Companion, ser. IUI ’18 Companion. New York, NY, USA: Association for Computing Machinery, 2018. Available at: https://doi.org/10.1145/3180308.3180313. (accessed: 02.11.2022).
  34. English tense system. Available at: https://www.englishclub.com/grammar/verbtenses-system.htm. (accessed: 10.11.2022).
  35. Narayanan R., Liu B., Choudhary A. Sentiment analysis of conditional sentences. Proceedings of the 2009 Conference on Empirical Methods in Natural Language Processing. Singapore: Association for Computational Linguistics. 2009. pp. 180–189.
  36. Liu Q., Gao Z., Liu B., Zhang Y. Automated rule selection for aspect extraction in opinion mining,” in Proceedings of the 24th International Conference on Artificial Intelligence, ser. IJCAI’15. AAAI Press, 2015. p. 1291–1297.
  37. Kasthuri E., Balaji S. A chatbot for changing lifestyle in education. Third International Conference on Intelligent Communication Technologies and Virtual Mobile Networks (ICICV). 2021. pp. 1317–1322.
  38. Dharani M., Jyostna J., Sucharitha E., Likitha R., Manne S. Interactive transport enquiry with ai chatbot. 4th International Conference on Intelligent Computing and Control Systems (ICICCS). 2020. pp. 1271–1276.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».