چت بات مولد شرطی با استفاده از یادگیری عمیق

چت بات ها به عنوان ابزاری برای ارتباط بین کاربر انسانی و ماشین عمل می کنند تا براساس ورودی انسان، پاسخ مناسبی ارائه دهند. در رویکردهای اخیر، ترکیبی از پردازش زبان طبیعی و مدل های دنباله ای برای ساخت چت بات های مولد استفاده می شود. چالش اصلی این مدل ها ماهیت دنباله ای آن ها است که منجر به کاهش دقت پاسخ ها می شود. برای مقابله با این چالش، در این مقاله، یک معماری جدید با استفاده از شبکه مولد تخاصمی Wasserstein شرطی (cWGAN) و مدل ترانسفورمر برای تولید پاسخ در چت بات ها پیشنهاد شده است. در حالی که مولد مدل پیشنهادی شامل یک مدل کامل ترانسفورمر برای تولید پاسخ است، تمایزگر تنها شامل قسمت رمزگذار مدل ترانسفورمر به همراه یک طبقه بند است. تا آنجا که ما می دانیم، این اولین باری است که یک چت بات مولد با استفاده از ترانسفورمر تعبیه شده در هر دو مدل مولد و تمایزگر پیشنهاد می شود. با تکیه بر محاسبات موازی مدل ترانسفورمر، نتایج مدل پیشنهادی بر روی مجموعه داده های مکالمات Cornell و Chit-Chat، برتری مدل پیشنهادی را نسبت به روش های قبلی با استفاده از معیارهای ارزیابی مختلف تایید می کند.

کلیدواژه ها:

چت بات مولد ، یادگیری عمیق ، مدل مولد شرطی ، مدل ترنسفورمر ، سیستم گفتگو