Чат-бот с использованием технологий нейронных сетей и методов обработки текста для повышения лояльности клиентов

В эпоху цифровизации в обществе основным инструментом социального взаимодействия человека становятся мобильные устройства. А с ростом популярности мессенджеров место чат-ботов в мобильной среде становится все значительнее. Интеллектуальные интерактивные чат-боты часто используются в мобильных приложениях и способствуют улучшению взаимодействия между компаниями и их заказчиками, что в итоге повышает лояльность клиентов этой организации. Чат-боты позволяют компаниям общаться с заказчиками в индивидуальном порядке, не привлекая к этой работе сотрудников и тем самым экономя временной, денежный и человеческий ресурс. Большинство чат-ботов работают по алгоритмам сценарного подхода и не являются универсальными. Это обусловлено простотой и скоростью разработки. Однако в таком случае существует риск упустить множество вариантов в дереве решений. Эту проблему способны решить чат-боты, основанные на нейронных сетях, но стоит учитывать, что и те и другие имеют недостаток в виде долгой обработки сообщений и обратной связи. В случае со сценарным подходом это происходит из-за долгих перемещений по веткам. Для нейронных сетей возникает сложность из-за алгоритма обработки обратной связи. В таком случае использование сервиса не будет оправдано, лояльность клиентов к организации будет падать. В связи с чем в статье рассматривается альтернативный подход к созданию чат-ботов на основе технологий нейронных сетей и методов представления текста, который позволяет избежать описанных выше проблем. В качестве технологий для реализации чат-бота были использованы: Python 3.6, библиотеки genism, sklearn, scipy, pandas, технология word2vec и doc2vec. Также в статье описан способ ускорения получения обратной связи и обучения чат-бота с помощью K-мерных деревьев.

1. Chakrabarti C., Luger G.F. Artificial conversations for customer service chatter bots: architecture, algorithms, and evaluation metrics. Expert Syst. Appl. 2015;2(20):6878–6897.

2. Xu A., Liu Z., Guo Y., Sinha V., Akkiraju R. A new chatbot for customer service on social media. Proceedings of CHI. 2017:3506–3510.

3. Robert Dale. The Return of the Chatbots. Natural Language Engineering. 2016;22(5):811–817. DOI:10.1017/S1351324916000243.

4. Близнюк Б.О., Васильева Л.В., Стрельников И.Д., Ткачук Д.С. Современные методы обработки естественного языка. Вісник Харківського національного університету імені В. Н. Каразіна. 2017;36:14–26.

5. Mikolov T., Chen K., Corrado G., Jeffrey D. Efficient estimation of word representations in vector space. 2013; CoRR,abs/1301.3781.

6. Иванова А.В., Филиппова Л.Б. Методы обработки текста и машинного обучения при создании чат-ботов. Новые горизонты. VIII научно-практическая конференция с международным участием. Сборник материалов и докладов. 2021:289–292.

7. Mikolov T., Sutskever I., Chen K., Corrado G.S. and Dean J. Distributed representations of words and phrases and their compositionality. In Advances in Neural Information Processing Systems 26: 27th Annual Conference on Neural Information Processing Systems 2013. 2013;3111–3119.

8. Долгошей А.В. Применение нейронных сетей для обработки текста Новые математические методы и компьютерные технологии в проектировании, производстве и научных исследованиях. Материалы XXIII Республиканской научной конференции студентов и аспирантов. 2020;42–43.

9. Fengquan Zhang, Yahui Gao, Liuqing Xu. An adaptive image feature matching method using mixed Vocabulary-KD tree Multimedia. Tools and Applications volume 2020. 2020;79:16421–16439.

10. Лебединская Н.А., Лебединский Д.М. Обобщенные KD-деревья и локальные преобразования. Вестник Санкт-Петербургского университета. Математика. Механика. Астрономия. 2012;3:42–43.