智能待办:从电子邮件自动生成待办事项
本文提出并研究了一种新的端到端方法以自动生成短电子邮件回复,称为 “Smart Reply”。它利用先进的大型深度学习生成语义多元化的建议来作为电子邮件的完整响应,并在 Inbox 邮箱中使用,协助 10%的所有移动响应。该系统具有处理每天数亿条消息的能力,利用了最先进的大规模深度学习技术,同时解决了响应多样性和可扩展性等问题,并引入了一种仅需要少量明确标记的数据进行语义聚类的新方法。
Jun, 2016
该研究提出并研究了电子邮件主题行生成的主题,并创建了该任务的第一个数据集。他们发现电子邮件主题行生成偏爱极度抽象的摘要,并开发了一种新颖的深度学习方法来解决这个问题,并将其与几个基础模型和最新的文本摘要系统进行了比较。研究人员还调查了几种基于人类判断的自动度量标准的效力,并提出了一种新的自动评估指标。该系统在自动和人类评估中均优于竞争基线。据我们所知,这是解决有效电子邮件主题行生成问题的首个工作。
Jun, 2019
本文描述了 Smart Compose 系统,它利用大规模神经语言模型和最先进的机器学习技术为 Gmail 用户提供实时的自动建议功能,解决了邮件撰写中的重复输入问题,并采用了特殊的基础设施以实现高吞吐量和实时推理。实验结果表明,所提出的系统具有良好的性能并在 Gmail 中投入使用。
May, 2019
本文提供了一个有效的 Transfer Learning 框架(EMToD),使得最新的对话模型发展能够适用于长格式对话,通过实验证明该框架相较于预训练的语言模型性能提升 45%、预训练的任务导向对话模型性能提升 30% 用于任务导向的电子邮件对话
Aug, 2022
本文提出了一种弱监督学习框架,通过搜索查询联系上下文来推荐邮件回复中可附加的项,使用深度卷积神经网络进行查询的形成,该模型在 Avocado 数据集和内部邮件数据集上表现良好。
Oct, 2017
本篇论文介绍了使用机器人流程自动化 (RPA) 和人工智能 (AI) 设计用于信息提取、分类等作用的机器人的工作流程,可以自动处理电子邮件,包括创建标签、下载附件、自动分类邮件等。该机器人采用 UiPath 工具设计和测试,提高了系统的性能。
May, 2022
本文提出了一种计算效率高的机器学习方法来进行自然语言响应建议,使用 n-gram 嵌入特征的前馈神经网络将消息编码为向量进行优化,在大规模商业电子邮件应用程序中得出了响应建议。与序列到序列方法相比,新的系统以较小的计算要求和延迟时间实现了相同的质量。
May, 2017
研究通过使用神经网络模型来解决异步邮件交互中意图识别和实体提取困难的问题。使用该模型作为预处理步骤,可以有效提高调度程序的性能,并使实体提取和意图检测任务的精度平均提高 35%,同时无需降低召回率。同时,该方法也能用于大型文档中的组件级分析,如签名块的识别。
Feb, 2020