Jul, 2018

不要迷失于否定：一种用于 Twitter 客服对话中的有效否定对话行为预测算法

PDF
TL;DR本文提出了一种基于 SVM 的对话行为预测算法，应用于 Twitter 客户服务对话，其中否定处理是整个解决方案的组成部分。实验证明，对于类似于推特的非正式文本，基于启发式方法的方法更为有效。
发现论文，激发创造
  • 我能帮助您吗？”：使用细粒度的对话行为模型 Twitter 客服对话

    本研究提出了一种针对 Twitter 客服对话数据的的细粒度对话行为分类方法，并使用序列 SVM-HMM 模型在实时中预测不同行为类型，最终以数据驱动的方法预测客服对话数据的重要结果，包括客户满意度、客户沮丧和解决问题的整体情况。研究结果显示，对话中某些行为类型和位置会对产生的结果产生显著影响，为人工客服平台提供了可用的指导规则。

    Sep, 2017

  • 基于客服互动的消息级情感分析的负面用户检测框架

    本文提出了一个基于即时聊天的客户支持 (CS) 互动的框架，用于预测个体用户的推荐决策。通过分析一家拉丁美洲大型电子商务公司金融垂直领域内的 16.4k 用户和 48.7k 客户支持对话，本研究的主要贡献和目标是利用自然语言处理（NLP）来评估和预测推荐行为，在使用静态情感分析的同时利用每个用户的情感动态的预测能力。结果表明，通过信息级别的情感演变，可以完全自动化地预测用户推荐产品或服务的概率以及相关的功能解释。

    Nov, 2022

  • 人机协作方法构建反仇恨言论对话数据集

    本文介绍了一种混合方法收集在线仇恨言论和非政府组织的多轮对话数据，从而帮助训练自然语言生成模型以自动化反击网络仇恨言论。

    Nov, 2022

  • 自动化客户支持

    本论文比较了三种模型在自动客服中的应用：检索模型，基于序列到序列模型的注意力模型和 Transformer 模型。其中，实验表明序列到序列模型在语义和词重复方面优于其他两种模型。

    Sep, 2018

  • 在对话中发现消息之间的对话依赖关系

    通过调查一对一在线聊天中推断聊天依赖关系的任务，本文提出了一种新颖的基于概率的分类器，该分类器利用了对话，词汇和语义信息，并从一个中国电子商务网站的客户服务聊天记录中进行了实证评估，表现优于基准启发式方法。

    Dec, 2016

  • 提高社交媒体上不良药物事件提取的鲁棒性：否定和推测案例研究

    本文研究药品不良反应的自动检测，在考虑否定和推测现象的情况下，探讨了四种自然语言处理模型的鲁棒性，并提出了两种策略来提高模型的性能。实验证明，这两种策略可以显著提高模型的性能，降低误报率 60％（针对否定）和 80％（针对推测）

    Sep, 2022

  • 对话行为建模用于自动标记与识别交谈语音

    本文提出了一种基于统计学方法的对话行为建模方法，通过对词汇、语音、对话结构等多个方面的考虑对话行为进行检测和预测，并应用于语音识别和对话行为分类，实验表明取得了良好的对话行为分类精度和一定的语音识别效果提升。

    Jun, 2000

  • 一种基于问答的方法，揭示口头否定中的肯定诠释

    本文探讨了一种新的自然语言推理分类任务的方式来发现实际上发生的事件，具体涉及否定语态下的肯定解释。实验结果表明，目前现有的自然语言推理语料库训练出来的最先进的 Transformer 并不能很好地揭示这种肯定解释，而 T5 Transformer 在从否定语态生成肯定解释的任务中表现不如人类。

    May, 2022

  • 利用否定中的积极解释来提高自然语言理解

    通过自动搜集否定语句及其肯定解释，本文提出了一种基于神经网络的生成模型，使得 RoBERTA 分类器在自然语言推理和情感分析任务中得到更好的结果。

    Oct, 2022

  • 面向情感感知的谈判对话代理

    探索预测谈判中两个重要的主观目标 - 结果满意度和合作方感知的情感属性，分析情感属性在预测中的作用，并研究了三个情感维度：表情符号、词汇和语境，以设计适应性的谈判代理人。

    Jul, 2021