Методы создания семантически ориентированных интеллектуальных помощников

В настоящий момент для создания интеллектуальных помощников используются различные технологии, основанные как на исследованиях в области нейронных сетей, средств анализа текстов на естественном языке, так и на использовании средств семантического моделирования. Каждый из этих подходов позволяет качественно решать отдельно взятые задачи. В рамках данной работы разрабатывается интеллектуальный помощник, объединяющий в себе все указанные подходы. Цель работы – создание интеллектуального помощника, выполняющего функции виртуального консультанта по процессам работы организации. Разработка основана на использовании семантической модели организации и бизнес-процессов. Для распознавания пользовательских намерений мы используем гомоморфные и генерализованные пользовательские намерения. Система позволяет осуществлять декомпозицию пользовательских задач и формировать последовательность их выполнения на основе семантических моделей пользователя и предметной области.

1. Шолле Ф. Глубокое обучение на Python. СПб.: Питер, 2018. С. 346–348.

2. Kuratov Y., Arkhipov M. Adaptation of Deep Bidirectional Multilingual Transformers for Russian Language. 2019. arXiv preprint arXiv:1905.07213.

3. Hamilton W. L., Rex Ying, and Leskovec J. Representation learning on graphs: Methods and application // IEEE Data Eng. Bull., 2017a.

4. Sahisnu Mazumder, Nianzu Ma, and Bing Liu. Towards a Continuous Knowledge Learning Engine for Chatbots. 2018. arXiv:1802.06024.

5. Zhanming Jie, Wei Lu. Dependency-guided lstm-crf for named entity recognition // Proceedings of EMNLP. 2019.

6. Kipf Th. N., Welling M. Semi-supervised classification with graph convolutional networks // Proceedings of ICLR. 2017.

7. Gubichev A., Bedathur S., Seufert S., Weikum G. Fast and accurate estimation of shortest paths in large graphs // Proceedings of the 19th ACM International Conference on Information and Knowledge Management, CIKM ’10. New York, NY, USA, 2010. P. 499–508.

8. Fellbaum C. (to appear) Future Challenges for the Princeton WordNet. In: Special Issue on Linking, Integrating and Extending Wordnets. Linguistic Issues in LanguageTechnology, eds. Francis Bond, Christiane Fellbaum and Ewa Rudnicka.

9. Шолле, Ф. Глубокое обучение на Python. СПб.: Питер, 2018. С. 173–191.

10. Guo Z., Zhang Y., Lu W. Attention Guided Graph Convolutional Networks for Relation Extraction // Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, Florence, Italy, 28 July – 2 August 2019. P. 241–251.

11. BERT large model (uncased) for Sentence Embeddings in Russian language. URL: https://huggingface.co/sberbank-ai/sbert_large_nlu_ru

12. Corso G., Cavalleri L., Beaini D., Lio P., Velicˇkovic ́ P. Principal neighborhood aggregation for graph nets // Advances in Neural Information Processing Systems. 2020. Vol. 33. P. 13260– 13271.