One Chatbot Per Person: Creating Personalized Chatbots based on Implicit User Profiles Animated
L’article « One Chatbot Per Person: Creating Personalized Chatbots based on Implicit User Profiles« explore une approche innovante pour la création de chatbots personnalisés en se basant sur des profils d’utilisateurs implicites. L’objectif principal est de développer des chatbots capables de fournir des réponses personnalisées en apprenant automatiquement à partir de l’historique des dialogues des utilisateurs.
Contexte et Motivation
Les chatbots personnalisés visent à doter les chatbots d’une personnalité cohérente pour qu’ils se comportent comme de vrais utilisateurs, fournissent des réponses plus informatives et agissent comme des assistants personnels. Les approches existantes reposent souvent sur des profils d’utilisateurs explicites, ce qui est coûteux et chronophage à obtenir. Les auteurs proposent d’apprendre automatiquement les profils d’utilisateurs implicites à partir de l’historique des dialogues des utilisateurs.
Objectifs de l’Étude
L’étude vise à créer des chatbots personnalisés capables de fournir des réponses cohérentes et informatives en utilisant les avantages des modèles de langage basés sur Transformer. Cela permet de surmonter les limitations des profils explicites en rendant la personnalisation plus pratique pour des applications à grande échelle.
Méthodologie
Le modèle DHAP (Dialogue History Automatically for Personalized chatbots) est conçu pour apprendre les profils d’utilisateurs implicites à partir de l’historique des dialogues des utilisateurs et générer des réponses personnalisées. Il est composé de 4 briques :
- (History Encoder )Encodeur d’historique et profil utilisateur général : Un modèle de langage personnalisé basé sur Transformer est utilisé pour encoder les réponses historiques des utilisateurs et résumer le profil utilisateur général. Ce profil capture les informations générales telles que les intérêts, les connaissances de base et le style de langage de l’utilisateur.
- (Personalized Post Encoder) Encodeur de publication personnalisé : Un encodeur BiGRU est utilisé pour encoder la publication d’entrée. Cet encodeur est initialisé avec le profil utilisateur général pour mieux capturer les informations sémantiques de la publication.
- (User History Memory) Mémoire historique utilisateur et profil utilisateur dynamique : Un réseau de mémoire clé-valeur est construit pour stocker les paires publication-réponse historiques de l’utilisateur. Le profil utilisateur dynamique est construit en sélectionnant et en agrégeant les réponses historiques pertinentes par rapport à la publication d’entrée.
- (Pesonalized Decoder) Décodeur personnalisé : Le décodeur personnalisé fusionne le profil utilisateur général, le profil utilisateur dynamique et la représentation de la publication personnalisée pour générer la réponse. Le décodeur peut alterner entre générer un mot à partir d’un vocabulaire générique et copier un mot à partir du vocabulaire personnalisé de l’utilisateur.
Résultats des Expériences
Les résultats montrent que le modèle DHAP surpasse significativement les autres modèles en termes de pertinence, diversité et personnalisation des réponses générées. Les expériences ont été menées sur deux ensembles de données réels : Weibo et Reddit, et ont démontré une amélioration notable en termes de personnalisation et de qualité des réponses.
Conclusion et Perspectives Futures
Le modèle DHAP permet d’apprendre automatiquement les profils d’utilisateurs implicites, rendant ainsi l’approche plus pratique pour des applications à grande échelle. Les futures recherches pourraient se concentrer sur l’amélioration de la précision des profils d’utilisateurs, l’adaptation en temps réel et l’intégration de données multimodales pour enrichir les profils d’utilisateurs.
