Diese Präsentation wurde erfolgreich gemeldet.
Wir verwenden Ihre LinkedIn Profilangaben und Informationen zu Ihren Aktivitäten, um Anzeigen zu personalisieren und Ihnen relevantere Inhalte anzuzeigen. Sie können Ihre Anzeigeneinstellungen jederzeit ändern.
対話における商品の営業
佐藤 元紀|Motoki	
  Sato	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  
対 話 E C
NAIST	
  (M1)	
  
Preferred	
  Networks	
...
Introduction
l Recently,	
  	
  chat-­‐bots	
  are	
  used	
  in	
  many	
  field.
l Chat-­‐bot will	
  be	
  used	
  to...
Data 3
l Find	
  Travel (Curation	
  web	
  site	
  in	
  travel	
  domain)
l Articles	
  have	
  many	
  attractive	
  ...
Data  Processing 4
l Split text	
  to	
  sentences.
l Extract	
  “reasoning	
  sentence” include	
  word	
  “なので” or	
  ...
Model
l Sequence-­‐to-­‐Sequence Model	
  with	
  Attention
[Cho	
  et	
  al.,	
  2014,	
  Bahdanau et	
  al.,	
  2014]
l...
DEMO  (1) 6Normal	
  	
  	
  	
  (A	
  → B)
Input Output
Attention	
  Examples:
DEMO  (2) 7Reverse	
  	
  	
  	
  (A	
  ← B)
OutputInput
Attention	
  Examples:
DEMO  (3)    Spot  Search 8
Vector	
  Space Paragraph	
  Vector
(Skip-­‐gram	
  like)
Epoch 500
Window	
  size 15
Optimize...
Conclusions
l We	
  build	
  Neural	
  Sequence-­‐to-­‐Sequence	
  model	
  to	
  explain	
  product	
  by	
  
sentence.
...
Nächste SlideShare
Wird geladen in …5
×

1

Teilen

Herunterladen, um offline zu lesen

対話における商品の営業

Herunterladen, um offline zu lesen

Motoki Sato, PFN Summer Internship 2016

Ähnliche Bücher

Kostenlos mit einer 30-tägigen Testversion von Scribd

Alle anzeigen

Ähnliche Hörbücher

Kostenlos mit einer 30-tägigen Testversion von Scribd

Alle anzeigen

対話における商品の営業

  1. 1. 対話における商品の営業 佐藤 元紀|Motoki  Sato                     対 話 E C NAIST  (M1)   Preferred  Networks  Summer  Internship,  2016 (Mentors:  Unno-­‐san,  Fukuda-­‐san)
  2. 2. Introduction l Recently,    chat-­‐bots  are  used  in  many  field. l Chat-­‐bot will  be  used  to  sell  products  online.   2 Background My  Internship  theme l Explain  why  this  product  is  recommended  to  you. l Generate  sentences  which explain  attractiveness  of  products. 商品の 特徴⽂文 ユーザに おすすめな 理理由⽂文 Inference…? Product  feature  sentence   Reason  sentence
  3. 3. Data 3 l Find  Travel (Curation  web  site  in  travel  domain) l Articles  have  many  attractive  spots  in  Japan. l Spot  Data  :    67,477  (spot,  hotel,  cafe) Spot  name description information Image  URL http://find-­‐travel.jp/
  4. 4. Data  Processing 4 l Split text  to  sentences. l Extract  “reasoning  sentence” include  word  “なので” or  “ので”  (heuristic)   – Number  of  sentences  :    144,032 – Sentence  Examples  :   User  Value Fact   (spot  feature  sentence) → なので
  5. 5. Model l Sequence-­‐to-­‐Sequence Model  with  Attention [Cho  et  al.,  2014,  Bahdanau et  al.,  2014] l We  train  two  difference  networks.   (1.  Normal  and    2.Reverse) 5 Input: output: Hidden  unit 400 Network 1  layer  bi-­‐LSTM Batch  size 100 Optimizer Adam User   Value Fact 1.  Normal Input: output: User   Value Fact 2.  Reverse
  6. 6. DEMO  (1) 6Normal        (A  → B) Input Output Attention  Examples:
  7. 7. DEMO  (2) 7Reverse        (A  ← B) OutputInput Attention  Examples:
  8. 8. DEMO  (3)    Spot  Search 8 Vector  Space Paragraph  Vector (Skip-­‐gram  like) Epoch 500 Window  size 15 Optimizer SGD
  9. 9. Conclusions l We  build  Neural  Sequence-­‐to-­‐Sequence  model  to  explain  product  by   sentence. l Attention  alignment  work  so  good l Attention  with  Databese or  Knowledge  Base  [Pengcheng Yin,  2016]  (QA) Pengcheng Yin,  Zhengdong Lu,  Hang  Li,  Ben  Kao.  “Neural  Enquirer:  Learning  to  Query  Tables  with  Natural   Language”  IJCAI  2016     l Spot  search  using  Reinforcement  Learning  (user  feedback  signal) 9 Future  Work
  • MasakiKozuki1

    Apr. 23, 2017

Motoki Sato, PFN Summer Internship 2016

Aufrufe

Aufrufe insgesamt

3.010

Auf Slideshare

0

Aus Einbettungen

0

Anzahl der Einbettungen

1.329

Befehle

Downloads

14

Geteilt

0

Kommentare

0

Likes

1

×