Descoberta de fluxos de diálogo através de técnicas de aprendizagem computacional
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10400.26/44446 |
Resumo: | Os centros de atendimento são alvo de elevada pressão para atingir altos níveis de exigência, fruto da migração de mercados para o mundo digital. Os utilizadores cada vez mais esperam ter os seus problemas resolvidos em tempo real e à distância de um clique. Por esta razão, estes serviços tornam-se essenciais na relação cliente empresa. O sucesso ou insucesso da interação entre um cliente e um centro de atendimento depende principalmente dos agentes envolvidos, sejam humanos ou virtuais, pois são eles que desempenham o papel principal na comunicação com o utilizador. Com os avanços da Inteligência Artificial e de Machine Learning tem-se procurado desenvolver soluções capazes de automatizar ou acelerar a comunicação com o utilizador. No entanto, são muitos os desafios encontrados para atingir o objetivo final: uma otimização dos agentes inteligentes para que ofereçam uma resposta rápida e eficaz. Desta forma, é imperativo manter completo e atualizado o conhecimento destes agentes para que possam responder às necessidades e requisitos dos clientes. Neste sentido, o presente trabalho utiliza técnicas de Processamento de Linguagem Natural e recorre à aprendizagem não supervisionada para agrupar falas em diferentes conjuntos de diálogos públicos de acordo com o seu significado. São utilizadas diferentes representações das falas, que levam a uma análise sobre o que os clusters obtidos representam e do que se aproximam. Esse clustering permite identificar sequências entre conjuntos relacionados de falas, e assim representar fluxos de diálogo. Estes permitem dar uma visão de alto nível de conversas, que servirão de auxílio aos agentes inteligentes e, consequentemente, aos centros de atendimento. Esse auxílio foi testado através da criação de um chatbot que tenha como orientação os fluxos que foram produzidos. Através de abordagens não supervisionadas propõe-se uma metodologia para criar fluxos de diálogo que podem ser uma ferramenta valiosa para melhorar a eficiência de sistemas de recomendação. |
id |
RCAP_35c0c09b37c2105856a553d4d4855d6a |
---|---|
oai_identifier_str |
oai:comum.rcaap.pt:10400.26/44446 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Descoberta de fluxos de diálogo através de técnicas de aprendizagem computacionalProcessamento de linguagem naturalReconhecimento de atos de diálogoReconhecimento de intentsMachine learningModelos de MarkovChatbotsOs centros de atendimento são alvo de elevada pressão para atingir altos níveis de exigência, fruto da migração de mercados para o mundo digital. Os utilizadores cada vez mais esperam ter os seus problemas resolvidos em tempo real e à distância de um clique. Por esta razão, estes serviços tornam-se essenciais na relação cliente empresa. O sucesso ou insucesso da interação entre um cliente e um centro de atendimento depende principalmente dos agentes envolvidos, sejam humanos ou virtuais, pois são eles que desempenham o papel principal na comunicação com o utilizador. Com os avanços da Inteligência Artificial e de Machine Learning tem-se procurado desenvolver soluções capazes de automatizar ou acelerar a comunicação com o utilizador. No entanto, são muitos os desafios encontrados para atingir o objetivo final: uma otimização dos agentes inteligentes para que ofereçam uma resposta rápida e eficaz. Desta forma, é imperativo manter completo e atualizado o conhecimento destes agentes para que possam responder às necessidades e requisitos dos clientes. Neste sentido, o presente trabalho utiliza técnicas de Processamento de Linguagem Natural e recorre à aprendizagem não supervisionada para agrupar falas em diferentes conjuntos de diálogos públicos de acordo com o seu significado. São utilizadas diferentes representações das falas, que levam a uma análise sobre o que os clusters obtidos representam e do que se aproximam. Esse clustering permite identificar sequências entre conjuntos relacionados de falas, e assim representar fluxos de diálogo. Estes permitem dar uma visão de alto nível de conversas, que servirão de auxílio aos agentes inteligentes e, consequentemente, aos centros de atendimento. Esse auxílio foi testado através da criação de um chatbot que tenha como orientação os fluxos que foram produzidos. Através de abordagens não supervisionadas propõe-se uma metodologia para criar fluxos de diálogo que podem ser uma ferramenta valiosa para melhorar a eficiência de sistemas de recomendação.Alves, Ana Cristina Costa OliveiraOliveira, Hugo GonçaloRepositório ComumMartins, Daniel Lemos2023-04-05T10:54:14Z2023-03-292023-01-102023-03-29T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10400.26/44446TID:203310470porinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-06-08T02:15:46Zoai:comum.rcaap.pt:10400.26/44446Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T17:48:31.548315Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Descoberta de fluxos de diálogo através de técnicas de aprendizagem computacional |
title |
Descoberta de fluxos de diálogo através de técnicas de aprendizagem computacional |
spellingShingle |
Descoberta de fluxos de diálogo através de técnicas de aprendizagem computacional Martins, Daniel Lemos Processamento de linguagem natural Reconhecimento de atos de diálogo Reconhecimento de intents Machine learning Modelos de Markov Chatbots |
title_short |
Descoberta de fluxos de diálogo através de técnicas de aprendizagem computacional |
title_full |
Descoberta de fluxos de diálogo através de técnicas de aprendizagem computacional |
title_fullStr |
Descoberta de fluxos de diálogo através de técnicas de aprendizagem computacional |
title_full_unstemmed |
Descoberta de fluxos de diálogo através de técnicas de aprendizagem computacional |
title_sort |
Descoberta de fluxos de diálogo através de técnicas de aprendizagem computacional |
author |
Martins, Daniel Lemos |
author_facet |
Martins, Daniel Lemos |
author_role |
author |
dc.contributor.none.fl_str_mv |
Alves, Ana Cristina Costa Oliveira Oliveira, Hugo Gonçalo Repositório Comum |
dc.contributor.author.fl_str_mv |
Martins, Daniel Lemos |
dc.subject.por.fl_str_mv |
Processamento de linguagem natural Reconhecimento de atos de diálogo Reconhecimento de intents Machine learning Modelos de Markov Chatbots |
topic |
Processamento de linguagem natural Reconhecimento de atos de diálogo Reconhecimento de intents Machine learning Modelos de Markov Chatbots |
description |
Os centros de atendimento são alvo de elevada pressão para atingir altos níveis de exigência, fruto da migração de mercados para o mundo digital. Os utilizadores cada vez mais esperam ter os seus problemas resolvidos em tempo real e à distância de um clique. Por esta razão, estes serviços tornam-se essenciais na relação cliente empresa. O sucesso ou insucesso da interação entre um cliente e um centro de atendimento depende principalmente dos agentes envolvidos, sejam humanos ou virtuais, pois são eles que desempenham o papel principal na comunicação com o utilizador. Com os avanços da Inteligência Artificial e de Machine Learning tem-se procurado desenvolver soluções capazes de automatizar ou acelerar a comunicação com o utilizador. No entanto, são muitos os desafios encontrados para atingir o objetivo final: uma otimização dos agentes inteligentes para que ofereçam uma resposta rápida e eficaz. Desta forma, é imperativo manter completo e atualizado o conhecimento destes agentes para que possam responder às necessidades e requisitos dos clientes. Neste sentido, o presente trabalho utiliza técnicas de Processamento de Linguagem Natural e recorre à aprendizagem não supervisionada para agrupar falas em diferentes conjuntos de diálogos públicos de acordo com o seu significado. São utilizadas diferentes representações das falas, que levam a uma análise sobre o que os clusters obtidos representam e do que se aproximam. Esse clustering permite identificar sequências entre conjuntos relacionados de falas, e assim representar fluxos de diálogo. Estes permitem dar uma visão de alto nível de conversas, que servirão de auxílio aos agentes inteligentes e, consequentemente, aos centros de atendimento. Esse auxílio foi testado através da criação de um chatbot que tenha como orientação os fluxos que foram produzidos. Através de abordagens não supervisionadas propõe-se uma metodologia para criar fluxos de diálogo que podem ser uma ferramenta valiosa para melhorar a eficiência de sistemas de recomendação. |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023-04-05T10:54:14Z 2023-03-29 2023-01-10 2023-03-29T00:00:00Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10400.26/44446 TID:203310470 |
url |
http://hdl.handle.net/10400.26/44446 |
identifier_str_mv |
TID:203310470 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799131567867559936 |