{Yoshihisa Kano & QingPeng Zhang Shuhei Tateishi Yuka Ozeki Makoto Nakatsuji}

Résumé

La sélection de réponses constitue un enjeu crucial au sein de la communauté de l’intelligence artificielle, avec des applications importantes sur le Web. L’exactitude des réponses sélectionnées reste toutefois insuffisante en raison du manque de prise en compte du contexte, en particulier dans les conversations à domaine ouvert, où les mots peuvent présenter plusieurs sens selon les contextes. Notre solution, SemSol, est un modèle de sélection de réponses conscient des connaissances, qui aborde ce problème en exploitant les significations contextuelles implicites associées aux mots et partagées au fil de la conversation entre utilisateurs. SemSol apprend simultanément la désambiguïsation des sens des mots (WSD, Word Sense Disambiguation) dans le dialogue, à partir d’un graphe de connaissances à domaine ouvert, à savoir WordNet, tout en apprenant l’alignement entre le contexte et les candidats de réponse. Ensuite, SemSol améliore l’exactitude de la réponse en exploitant l’information sémantique contenue dans un graphe de connaissances, en fonction du contexte de la conversation. Notre modèle apprend les sujets des énoncés dans le contexte de l’ensemble complet des données d’entraînement. Cette connaissance au niveau du sujet peut fournir des informations spécifiques au sujet dans le contexte de la conversation, ce qui améliore à la fois la désambiguïsation des sens des mots et la précision de la sélection de réponse. Des expériences menées sur deux jeux de données conversationnelles à domaine ouvert, Douban (en chinois) et Reddit (en anglais), ont montré que le modèle SemSol surpassait les méthodes de pointe actuelles. SemSol est classé en tête du classement Douban.