Dissertação
{en_GB=Towards a Data-Driven Automation of Customer Support} {} EVALUATED
{pt=Apoio ao Cliente é essencial para a satisfação do utilizador e fundamental num mercado cada vez mais competitivo. Como tal, a sua automação é atualmente um desafio de grande interesse industrial e académico. No entanto, devido à falta de dados disponíveis sobre este cenário, a investigação tem-se focado no Suporte baseado na Comunidade, que difere do Apoio ao Cliente tradicional, em que, agentes humanos, são pagos para dar suporte a clientes numa linguagem uniforme. Neste trabalho, analisamos o comportamento de modelos de aprendizagem profunda baseados em recuperação de informação e baseados em geração num cenário de Apoio ao Cliente por email. Além disso, na tentativa de unificar as duas abordagens, desenvolvemos um modelo híbrido e uma rede neuronal Geradora e Adversária que pode ser usada para treinar conjuntamente estes modelos. Os resultados obtidos sugerem que, uma abordagem generativa simples, baseada num modelo sequência-para-sequência com um mecanismo de atenção, pode ser mais adequada do que uma abordagem baseada em recuperação de informação. Além disso, a nossa avaliação humana sugere que combinar ambas as abordagens pode melhorar a qualidade da resposta final., en=Customer support is essential for user satisfaction and critical for business. Its automation is a current research challenge. Yet, due to a lack of available data regarding this scenario, academic research has been mainly focused on community support, which is different from the typical customer support, where human agents are paid to give support to clients under a standardized language style. In this work, we analyze how retrieval- and generative-based deep learning models behave in a customer support scenario via email. Also, in an attempt to unify both approaches, we develop a simple hybrid model and a Generative Adversarial Network to jointly train both approaches. Our results suggest that a generative approach, based on a Sequence-to-Sequence model with attention, might be more suitable than a more complex retrieval-based approach. In addition, our human evaluation suggests that combining generation with retrieved answers (our hybrid approach) can improve the final answer quality.}
maio 28, 2019, 10:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Maria Luísa Torres Ribeiro Marques da Silva Coheur
Departamento de Engenharia Informática (DEI)
Professor Auxiliar
