Оценивание вероятностно-временных характеристик человеко-машинного диалога на естественном языке

Авторы

  • Елена Владимировна Игитян Белгородский государственный национальный исследовательский университет
  • Константин Александрович Польщиков Белгородский государственный национальный исследовательский университет
  • Александр Николаевич Немцев Белгородский государственный национальный исследовательский университет

DOI:

https://doi.org/10.52575/2687-0932-2023-50-1-162-172

Ключевые слова:

обработка естественного языка, диалоговая система, вопросно-ответная система, оценивание вероятностно-временных характеристик, человеко-машинный диалог

Аннотация

Представлены результаты исследования, направленные на совершенствование процесса оценивания характеристик человеко-машинного диалога, осуществляемого на естественном языке. Обоснована актуальность разработки инструментария для оценивания характеристик вопросно-ответной системы с точки зрения достижения цели человеко-машинного диалога, состоящей в удовлетворении конкретной информационной потребности пользователя. Представлена модель процесса человеко-машинного диалога на основе применения математического аппарата вероятностно-временных графов. Разработанная модель ориентирована на вычисление вероятности достижения цели диалога и его средней продолжительности с учетом характеристик вопросно-ответной системы и значений показателей, характеризующих особенности пользователя. Показано, что применение модели позволяет обосновать выбор диалоговых систем с конкретными характеристиками и рекомендовать их тем или иным группам пользователей для удовлетворения информационных потребностей.

Скачивания

Данные скачивания пока недоступны.

Биографии авторов

Елена Владимировна Игитян, Белгородский государственный национальный исследовательский университет

аспирант кафедры информационно-телекоммуникационных систем и технологий

Константин Александрович Польщиков, Белгородский государственный национальный исследовательский университет

доктор технических наук, доцент, директор института инженерных и цифровых технологий

Александр Николаевич Немцев, Белгородский государственный национальный исследовательский университет

кандидат физико-математических наук, доцент, доцент кафедры прикладной информатики и информационных технологий

Библиографические ссылки

Агузумцян Р.В., Великанова А.С., Польщиков К.А., Игитян Е.В., Лихошерстов Р.В. 2021. О применении интеллектуальных технологий обработки естественного языка и средств виртуальной реальности для поддержки принятия решений при подборе исполнителей проектов. Экономика. Информатика, 48(2): 392–404. DOI 10.52575/2687-0932-2021-48-2-392-404.

Махди Т.Н., Игитян Е.В., Польщиков К.А., Корсунов Н.И. 2022. Оценивание эффективности функционирования диалоговой системы на основе применения нечеткого вывода с нейросетевой настройкой. Экономика. Информатика, 49(2): 356–374. DOI 10.52575/2687-0932-2022-49-2-356-374.

Польщиков К.А., Лазарев С.А., Константинов И.С., Польщикова О.Н., Свойкина Л.Ф., Игитян Е.В., Балакшин М.С. 2020. Модель для оценки эффективности выполнения робототехнической системой коммуникативных функций. СТИН, 6: 4–7.

Польщиков К.А., Польщикова О.Н., Игитян Е.В., Балакшин М.С. 2019. Алгоритм поддержки принятия решений по выбору средств обработки больших массивов естественно-языковых данных. Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика. 46(3): 553–562. DOI 10.18413/2411-3808-2019-46-3-553-562.

Ai H., Litman D.J. 2008. Assessing Dialog System User Simulation Evaluation Measures Using Human Judges. Proceedings of ACL-08: 622–629.

Deriu J., Rodrigo A., Otegi A. 2021. Survey on evaluation methods for dialogue systems. Artificial Intelligence Review, 54: 755–810.

Dodge J., Gane A., Zhang X., Bordes A., Chopra S., Miller A., Szlam A., Weston J. 2016. Evaluating Prerequisite Qualities for Learning End-to-End Dialog Systems. arXiv. URL: https://doi.org/10.48550/arXiv.1511.06931 (accessed: 15.02.2023).

Dziri N., Rashkin H., Linzen T., Reitter D. 2022. Evaluating Attribution in Dialogue Systems: The BEGIN Benchmark. Transactions of the Association for Computational Linguistics, 10: 1066–1083.

Ji T., Graham Y., Jones G.J.F., Lyu C., Liu Q. 2022. Achieving Reliable Human Assessment of Open-Domain Dialogue Systems. arXiv. URL: https://doi.org/10.48550/arXiv.2203.05899 (accessed: 15.02.2023).

Lоpez-Cоzar R., De la Torre A., Segura J.C., Rubio A.J. 2003. Assessment of dialogue systems by means of a new simulation technique. Speech Communication, 40(3): 387–407.

Polshchykov K., Lazarev S., Polshchykova O., Igityan E. 2019. The Algorithm for Decision-Making Supporting on the Selection of Processing Means for Big Arrays of Natural Language Data. Lobachevskii Journal of Mathematics, 40(11): 1831–1836.

Polshchykov K.A., Lazarev S.A., Konstantinov I.S., Polshchykova O.N., Svoikina L.F., Igityan E.V., Balakshin M.S. 2020. Assessing the Efficiency of Robot Communication. Russian Engineering Research, 40: 936–938.

Polshchykov K.A., Velikanova A.S., Igityan E.V. 2022. Neural network natural language processing tools for identifying personal priorities in the project performers selection in the field of smart agriculture. IOP Conference Series: Earth and Environmental Science, 1069: 012012.

Shah H., Warwick K., Vallverdú J., Wu D. 2016. Can machines talk? Comparison of Eliza with modern dialogue systems. Computers in Human Behavior, 58: 278–295.

Tseng B.-H., Dai Y., Kreyssig F., Byrne B. 2021. Transferable Dialogue Systems and User Simulators. arXiv. URL: https://doi.org/10.48550/arXiv.2107.11904 (accessed: 15.02.2023).

Velikanova A.S., Polshchykov K.A., Likhosherstov R.V., Polshchykova A.K. 2021. The use of virtual reality and fuzzy neural network tools to identify the focus on achieving project results. Journal of Physics: Conference Series. 2nd International Scientific Conference on Artificial Intelligence and Digital Technologies in Technical Systems 2021, Volgograd, 2060: 173707.

Wen T.-H., Gasic M., Mrksic N., Rojas-Barahona L.M., Su P.-H., Vandyke D., Young S. 2016. Multi-domain Neural Network Language Generation for Spoken Dialogue Systems. arXiv. URL: https://doi.org/10.48550/arXiv.1603.01232 (accessed: 15.02.2023).

Wen T.-H., Gasic M., Mrksic N., Su P.-H., Vandyke D., Young S. 2015. Semantically Conditioned LSTM-based Natural Language Generation for Spoken Dialogue Systems. arXiv. URL: https://doi.org/10.48550/arXiv.1508.01745 (accessed: 15.02.2023).

Wen T.-H., Vandyke D., Mrksic N., Gasic M., Rojas-Barahona L.M., Su P.-H., Ultes S., Young S. 2017. A Network-based End-to-End Trainable Task-oriented Dialogue System. arXiv. URL: https://doi.org/10.48550/arXiv.1604.04562 (accessed: 15.02.2023).

Xiang J., Liu Y., Cai D., Li H., Lian D., Liu L. 2021. Assessing Dialogue Systems with Distribution Distances. arXiv. URL: https://doi.org/10.48550/arXiv.2105.02573 (accessed: 15.02.2023).


Просмотров аннотации: 55

Поделиться

Опубликован

2023-03-30

Как цитировать

Игитян, Е. В., Польщиков, К. А., & Немцев, А. Н. (2023). Оценивание вероятностно-временных характеристик человеко-машинного диалога на естественном языке. Экономика. Информатика, 50(1), 162-172. https://doi.org/10.52575/2687-0932-2023-50-1-162-172

Выпуск

Раздел

КОМПЬЮТЕРНОЕ МОДЕЛИРОВАНИЕ

Наиболее читаемые статьи этого автора (авторов)