Detecção de intenção do usuário utilizando modelos de aprendizagem profunda com uso de hashing semântico
| Primeiro coorientador dc.contributor.advisor-co1 | Carvalho, André Luiz da Costa | |
| Currículo Lattes do primeiro coorientador dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/4863447798119856 | por |
| Primeiro orientador dc.contributor.advisor1 | Souto, Eduardo James Pereira | |
| Currículo Lattes do primeiro orientador dc.contributor.advisor1Lattes | http://lattes.cnpq.br/3875301617975895 | por |
| Primeiro membro da banca dc.contributor.referee1 | Carvalho, André Luiz da Costa | |
| Currículo Lattes do primeiro membro da banca dc.contributor.referee1Lattes | http://lattes.cnpq.br/4863447798119856 | por |
| Segundo membro da banca dc.contributor.referee2 | Oliveira, David Braga Fernandes de | |
| Currículo Lattes do segundo membro da banca dc.contributor.referee2Lattes | http://lattes.cnpq.br/9561812825173697 | por |
| Autor dc.creator | Costa, Rodrigo Azevedo da | |
| Currículo Lattes do autor dc.creator.Lattes | http://lattes.cnpq.br/8744419071105911 | por |
| Data de defesa/publicação dc.date.issued | 2019-09-20 | |
| Resumo / Abstract dc.description.abstract | A user intent recognition module can be considered the main compoenent of any conversation system. Intentions are purposes or goals expressed in a user input through an application, search engine, chat, etc. Several techniques are used and work satisfactorily according to the application scenario. Currently, machine learning techniques are considered state of the art for this type of task and have been applied in many works. Such models have high representational capacity and can easily learn the relationships between the terms of a training set. However, for some scenarios there are not a large number of samples and, as a result, proper learning by the method is compromised. Another important point concerns the disposition of terms within a sentence, a difficulty that many researches do not take into account. This paper implements a user intent recognition module based on hybrid deep learning models, taking into account the disposition of the terms of a sentence generating an additional value (semantic hash) and text embedding algorithms. We propose using this extra value only for the words considered most important within a sentence creating a more targeted representation. As a result, the developed model reached an average accuracy of 93.95%, exceeding by more than 2 percentage points the other works evaluated showing the possibility of gain with the use of additional values referring to some og the sentence. | eng |
| Resumo (português) dc.description.resumo | Um módulo de reconhecimento de intenção do usuário pode ser considerado o componente principal de qualquer sistema de conversação. Intenções são propósitos ou objetivos expressos em uma entrada do usuário por meio de um aplicativo, sistema de busca, chats de conversação, etc. Diversas técnicas são utilizadas e funcionam de maneira satisfatória de acordo com o cenário de aplicação. Atualmente, as técnicas de aprendizagem de máquina são consideradas o estado da arte para este tipo de tarefa e têm sido aplicadas em diversos trabalhos. Tais modelos possuem alta capacidade de representação e podem facilmente aprender as relações existentes entre os termos de um conjunto de treinamento. Entretanto, para alguns cenários não há uma grande quantidade de amostras e, consequentemente, realizar um aprendizado adequado por parte do método fica comprometido. Outro ponto importante é com relação à disposição dos termos dentro de uma sentença, dificuldade à qual muitas pesquisas não levam em consideração. Este trabalho implementa um módulo para reconhecimento de intenção do usuário baseado em modelos de aprendizagem profunda híbrido, levando em consideração a disposição dos termos de uma sentença gerando um valor adicional (hashing semântico) e algoritmos de incorporação de texto. Propomos a utilização desse valor extra apenas para as palavras consideradas mais importantes dentro de uma sentença criando uma representação mais direcionada. Como resultado, o modelo desenvolvido atingiu uma precisão média de 93,95%, superando em mais de 2 pontos percentuais os demais trabalhos avaliados mostrando a possibilidade de ganho com a utilização valores adicionais referentes a alguns termos da sentença. | por |
| Formato dc.format | application/pdf | * |
| Referência (citação) dc.identifier.citation | COSTA, Rodrigo Azevedo da. Detecção de intenção do usuário utilizando modelos de aprendizagem profunda com uso de hashing semântico. 2019. 78 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus, 2019. | por |
| Endereço permanente (URI) dc.identifier.uri | https://tede.ufam.edu.br/handle/tede/7418 | |
| Idioma dc.language | por | por |
| Instituição / Editora dc.publisher | Universidade Federal do Amazonas | por |
| País dc.publisher.country | Brasil | por |
| Faculdade, Instituto ou Departamento dc.publisher.department | Instituto de Computação | por |
| Sigla da instituição dc.publisher.initials | UFAM | por |
| Programa de Pós-Graduação dc.publisher.program | Programa de Pós-graduação em Informática | por |
| Tipo de acesso dc.rights | Acesso Aberto | por |
| Licença (endereço) dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | |
| Palavras-chave dc.subject | Detecção de intenção do usuário | por |
| Palavras-chave dc.subject | Aprendizagem de máquina | por |
| Palavras-chave dc.subject | Redes neurais | por |
| Área de conhecimento (CNPq) dc.subject.cnpq | CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO | por |
| Termo controlado dc.subject.other | Redes neurais (Computação) | por |
| Miniatura (endereço) dc.thumbnail.url | https://tede.ufam.edu.br//retrieve/34269/Disserta%c3%a7%c3%a3o_RodrigoCosta_PPGI.jpg | * |
| Título dc.title | Detecção de intenção do usuário utilizando modelos de aprendizagem profunda com uso de hashing semântico | por |
| Tipo de documento dc.type | Dissertação | por |