チチチチチチチチチチチチチチチチ チチチチ チチチチ チチチチチ
チャットボットの自動返信について高橋建三
イタンジ エンジニア
スマホでやり取りしたいのに電話や来店誘導ばかり・・1件 1件お問い合わせ
ポータルサイト 仲介会社
電話・来店誘導
成約までの平均メッセージ数は 80回メッセージ
チャットボット
物件データ 辞書 マニュアル
学習
対応出来ない処理質問
応答
Step1 文分割( Sentence Segmentation)Step2 固有名詞抽出( Named Entity Recognition)
Step4 単語のベクトル化(Word Embedding)Step5 判別( Classification)Step6 メッセージの作成
Step3 わかち書き( Tokenization)
Step1 文分割( Sentence Segmentation)Step2 固有名詞抽出( Named Entity Recognition)
Step4 単語のベクトル化(Word Embedding)Step5 判別( Classification)Step6 メッセージの作成
Step3 わかち書き( Tokenization)
機械学習
Step1 文分割( Sentence Segmentation)
Step4 単語のベクトル化(Word Embedding)Step5 判別( Classification)
Step2 固有名詞抽出( Named Entity Recognition)
Step6 メッセージの作成
Step3 わかち書き( Tokenization)
Step1 文分割( Sentence Segmentation)
アトラス板橋ですが、こちらはペット可でしょうか?よろしくお願いします。
1 - アトラス板橋ですが、こちらはペット可でしょうか2 - よろしくお願いします
「。!?…」でメッセージを区切る
Step4 単語のベクトル化(Word Embedding)Step5 判別( Classification)Step6 メッセージの作成
Step3 わかち書き( Tokenization)
Step1 文分割( Sentence Segmentation)Step2 固有名詞抽出( Named Entity Recognition)
Step2 固有名詞抽出( Named Entity Recognition)
アトラス板橋ですが、こちらはペット可でしょうか
建物名、駅、 URL、メールアドレス、数字、記号などを辞書と正規表現を使ってキーワードに置き換える
BUILDINGですが SYMBOLこちらはペット可でしょうか
Step4 単語のベクトル化(Word Embedding)Step5 判別( Classification)
Step2 固有名詞抽出( Named Entity Recognition)
Step6 メッセージの作成
Step1 文分割( Sentence Segmentation)
Step3 わかち書き( Tokenization)
Step3 わかち書き( Tokenization)
janomeを使って文を単語に分ける
BUILDINGですが SYMBOLこちらはペット可でしょうかBUILDINGですがSYMBOLこちらはペット可でしょうか
Step5 判別( Classification)
Step2 固有名詞抽出( Named Entity Recognition)
Step6 メッセージの作成
Step3 わかち書き( Tokenization)
Step1 文分割( Sentence Segmentation)
Step4 単語のベクトル化(Word Embedding)
BUILDINGですがSYMBOLこちらはペット可でしょうか
[-0.64852, -2.30104, 0.44202, -0.87877…, -0.61268][-0.70635, 0.32973, 0.64824, -0.58188…, 0.40056][-0.97513, -0.71315, 0.15730, -0.63518…, -1.85990][-3.50369, -1.36903, 4.24888, -0.79639…, -2.15011][-0.17241, 0.78249, -0.25915, -2.14393…, -1.08305][0.51617, 0.64729, 0.84313, 0.28703…, -1.11040][1.39577, 2.18377, 0.25073, -0.72479…, -0.20966][-0.36539, 0.04446, 1.17888, 1.62269…, -0.98744][-1.13693, -1.19480, 1.84206, -2.55662…, 0.574193][-.45878, 1.46096, 2.34711, -2.39600…, -0.37915]
Step4 単語のベクトル化(Word Embedding)
Step4 単語のベクトル化(Word Embedding)
Step2 固有名詞抽出( Named Entity Recognition)
Step6 メッセージの作成
Step3 わかち書き( Tokenization)
Step1 文分割( Sentence Segmentation)
Step5 判別( Classification)
[-0.64852, -2.30104, 0.44202, -0.87877…, -0.61268][-0.70635, 0.32973, 0.64824, -0.58188…, 0.40056][-0.97513, -0.71315, 0.15730, -0.63518…, -1.85990][-3.50369, -1.36903, 4.24888, -0.79639…, -2.15011][-0.17241, 0.78249, -0.25915, -2.14393…, -1.08305][0.51617, 0.64729, 0.84313, 0.28703…, -1.11040][1.39577, 2.18377, 0.25073, -0.72479…, -0.20966][-0.36539, 0.04446, 1.17888, 1.62269…, -0.98744][-1.13693, -1.19480, 1.84206, -2.55662…, 0.574193][-.45878, 1.46096, 2.34711, -2.39600…, -0.37915]
Step5 判別( Classification)
227(ペットに関する質問 )
Kerasの LSTMを使ってメッセージの種類を判別する
Step4 単語のベクトル化(Word Embedding)Step5 判別( Classification)
Step2 固有名詞抽出( Named Entity Recognition)Step3 わかち書き( Tokenization)
Step1 文分割( Sentence Segmentation)
Step6 メッセージの作成
227(ペットに関する質問 )
物件データ(ペット可かチェック)
質問の種類によって物件データと顧客データを使い返答文を返す
Step6 メッセージの作成
ペット相談の物件でございます。
もっと詳しく知りたい方は
http://tech.itandi.co.jp/2016/07/ai_chat_architecture/
エンジニア大募集中 !!
http://itandi.co.jp/recruit/
Thank You!