Análise de algoritmos de aprendizado de máquina para mineração de conversas e aperfeiçoamento de chatbots
DOI:
https://doi.org/10.53660/271.prw515Palavras-chave:
chatbots, Inteligência Artificial, LDA, Bag of Words, NGramResumo
Esse trabalho objetiva, por meio da aplicação dos algoritmos Latent Dirichlet Allocation (LDA), NGram
e Bag of Words(BOW), analisar como o aprendizado de máquina usado na mineração de conversas pode
ajudar no aperfeiçoamento de chatbots através da identificação da intenção do cliente ao entrar em
contato com uma empresa. A metodologia será qualitativa, por meio de pesquisa bibliográfica e do uso
da ferramenta Knime, a fim de apoiar a implementação de algoritmos de aprendizado de máquina, em
base de dados cedida por uma empresa desenvolvedora de software para a área de Customer Experience
(CX). Os resultados derivam de uma comparação entre os algoritmos considerando o peso (weight) das
palavras e frases chave e validada pelo Analista de Domínio(AD) da empresa. O extrator de tópicos LDA
apresenta o melhor resultado sobre as intenções dos usuários e o algoritmo NGram apresenta
características complementares significativas para as intenções. Ambos algoritmos trazem restrito
aprendizado de máquina, e demandam constante monitoramento e acompanhamento do AD, devido a
evolução do processamento da linguagem natural. O algoritmo BoW apresentou limitações neste estudo.
Downloads
Referências
ARSOVSKI, S.; OSIPYAN, H.; MUNIRU, I. O.; CHEOK, A. D. Automatic knowledge extraction of any Chatbot from conversation. Expert Systems with Applications. v.137, p.343-348, 2019.
BRAUN, D.; MENDEZ, A. H.; MATTHES, F.; LANGEN, M. 2017. Evaluating Natural Language Understanding Services for Conversational Question Answering Systems. In Proceedings of the 18th Annual SIGdial Meeting on Discourse and Dialogue, pages 174–185, Saarbrücken, Germany. Association for Computational Linguistics. . Acesso em: 31 out. 2022.
BRENNER, M. Problems in collecting social data: a review for the information researcher. Social Science Information Studies, v.1, nr.3, 139-51, April, 1981. https://revista.ibict.br › article › download ›
COMARELLA, R. L.; CAFÉ, L. M. A. CHATTERBOT: conceito, características, tipologia e construção. conceito, características, tipologia e construção. 2008.
FELDMAN, R.; SANGER, J. The Text Mining Hanbook: Advances Approaches in Analysing Unstructed Data. 2. ed. New York, UK: Cambridge University Press, 2016. 423 p.
GADELHA, I. B. L. O Uso de Chatbots no Atendimento de Clientes de Revenda por Catálogo. Dissertação (Mestrado em Comutação Aplicada – Núcleo de Desenvolvimento da Amazônia em Engenharia da Universidade Federal do Pará - Tucuruí, 2019.
HARRIS, Z. S. Distributional structure. Word. v. 10, n. 2-3, p. 146–162, 2015.
KHAN, M. Q. et al. Impact analysis of keyword extraction using contextual word embedding. Peerj Computer Science. 2022. Disponível em: <https://peerj.com/articles/cs-967/>. Acesso em 24 out 2022.
KIETZMANN, J.; PASCHEN, J.; TREEN, E. Artificial Intelligence in Advertising. Journal Of Advertising Research, [s.l.], v. 58, n. 3, p.263-267, set. 2018. WARC Limited. <http://dx.doi.org/10.2501/jar-2018-035>. Acesso em 24 nov 2022.
KULIGOWSKA, K. Commercial Chatbot: Performance Evaluation, Usability Metrics and Quality Standards of Embodied Conversational Agents. Professionals Center for Business Research. v.2, p.1-16, 2015.
LEMON, K. N., VERHOEF, P. C. Understanding customer experience throughout the customer journey. Journal of Marketing, v.80, nr. 6, p. 69-96. 2016. Disponível em: . Acesso em: 31 out. 2022.
LENG, Yan et al. LDA-based data augmentation algorithm for acoustic scene classification. Science Direct. v.195, Mai 2020.
LINDEN, G.; SMITH, B.; YORK, J. Amazon.com Recommendations Item-to-Item Collaborative Filtering. IEEE Internet Computing, n. February, 2003. Disponível em: . Acesso em: 08 set. 2022.
MOBILE TIME. Mapa do Ecossistema Brasileiro de Bots 2022. Disponível em: <https://www.mobiletime.com.br/pesquisas/mapa-do-ecossistema-brasileiro-de-bots-2022/>. Acesso em: 23 out. 2022.
ONAN, A.; BULUT, H.; KORUKOGLU, S. An improved ant algorithm with LDA-based representation for text document clustering. Journal of Information Science. v.43, Mar 2016.
PRZEGALINSKA A.; CIECHANOWSKI L.; STROZ A.; GLOOR P.; MAZUREK g.. In bot we trust: A new methodology of chatbot performance measures. Business Horizons, v. 62, 2019.
REBECCHI, A. B. ROBÔ HUMANO: Estudo sobre a humanização no atendimento com chatbot. Dissertação (Mestrado Profissional em Comportamento do Consumidor – Escola Superior de Propaganda e Marketing ESPM - São Paulo, 2020..
REINA, D. R.; CRUZ, C. Curadoria de chatbots: conceptualização, estratégias e indicadores de desempenho. Revista Ibérica de Sistemas e Tecnologias de Informação, São Paulo, p.1-14, 2020.
WONDIMU, N. A.; BUCCHE, C.; VISSER, U.. Interactive Machine Learning: A State of the Art Review. Cornell University. Jul. 2022.
WANG, X.; LIN, X.; SHAO, B. How does artificial intelligence create business agility? Evidence from chatbots. International Journal of Information Management, v.66, 2022.
ZANELLA, L. C. H. Metodologia de Pesquisa. 2. ed. Florianópolis, SC: UFSC, 2013. 134 p.
