Automated response generation for corporate chatbot systems

Bu çalışmada Türkçe dilinde müşteri hizmetleri chatbotu tasarımı için halihazır- daki niyet sınıflandırma ve cevap seçimi metotları üzerinde çalışıldı. Literatürdeki chatbot tipleri karşılaştırıldı. İmplementasyonu ve uyarlanması kolay yöntemler üzerine odaklanıldığı ve çalışmanın uygulama alanına uyduğu için kapalı alan, görev yönelimli, seçim tabanlı tipteki chatbotlar üzerinde çalışıldı. Niyet sınıflandırma ve cevap seçme olmak üzere iki farklı implementasyon alternatifi karşılaştırıldı. Diyalog geçmişini eğitime dahil etmenin etkisi gözlemlendi. Etiketli veriler için Doğal Dil Çıkarımı yöntemi kullanarak yeni bir sınıflandırma yöntemi önerildi. Türkçe bitişimli bir dil olduğu için literatürdeki hazır yöntemlerin birçoğu İngilizce verilerde olduğu kadar iyi çalışmamaktadır. Bundan dolayı, farklı yapay sinir ağı modelleriyle bu yöntemlerin farklı datasetlerdeki performansları kıyaslandı. En iyi yöntemlerin ve ön-eğitilmiş dil modellerinin sınıflandırma ve doğal dil çıkarımı problemlerindeki performansları incelendi. Türkçe veri kümelerindeki başarının İngilizce'dekine göre düşük çıkmasına sebep olan faktörler üzerinde çalışıldı ve birkaç temel problem tanımlandı. Daha sonra bu problemlere çözümler önerilerek Türkçe veri kümelerinin performansı artırılmaya çalışıldı. Deneylerde birçok doğal dil işleme yöntemi kullanıldı. Tokenizasyon için literatürdeki yeni yöntemler kıyaslanarak Türkçe diline uygulandı. Bu yöntemlerin hem Türkçe hem de İngilizce veri kümelerine etkisi gözlemlendi. SWDA test kümesinde %75.22 sınıflandırma başarısı elde edilerek literatürdeki en iyi yöntemlerin üzerine çıkıldı. XNLI İngilizce test kümesinde %86.35 ve Türkçe veri kümesinde %79.85 doğal dil çıkarımı başarısı elde edildi.