دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Michael McTear
سری: Synthesis Lectures on Human Language Technologies
ISBN (شابک) : 9781636390321, 1636390323
ناشر: Morgan & Claypool Publishers
سال نشر: 2020
تعداد صفحات: 253
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 10 مگابایت
در صورت تبدیل فایل کتاب Conversational AI: Dialogue Systems, Conversational Agents, and Chatbots به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب هوش مصنوعی مکالمه: سیستم های گفتگو ، نمایندگان محاوره ای و چت بات ها نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب مقدمه ای جامع برای هوش مصنوعی مکالمه ارائه می دهد. در حالی که ایده تعامل با رایانه با استفاده از صدا یا متن به گذشته های دور بازمی گردد، تنها در سال های اخیر است که این ایده با ظهور دستیارهای شخصی دیجیتال، بلندگوهای هوشمند و چت بات ها به واقعیت تبدیل شده است. پیشرفت در هوش مصنوعی، به ویژه در یادگیری عمیق، همراه با در دسترس بودن قدرت محاسباتی عظیم و مقادیر بسیار زیاد داده، منجر به نسل جدیدی از سیستمهای گفتگو و رابطهای مکالمه شده است. تحقیقات فعلی در هوش مصنوعی محاوره ای عمدتاً بر روی کاربرد یادگیری ماشین و رویکردهای آماری مبتنی بر داده ها برای توسعه سیستم های گفتگو متمرکز است. با این حال، آگاهی از دستاوردهای قبلی در فناوری گفتگو و در نظر گرفتن اینکه تا چه حد ممکن است با تحقیق و توسعه فعلی مرتبط باشد، مهم است. سه رویکرد اصلی برای توسعه سیستمهای گفتوگو بررسی میشوند: سیستمهای مبتنی بر قانون که با استفاده از بهترین دستورالعملهای عملی ساخته شدهاند. سیستم های آماری مبتنی بر داده های مبتنی بر یادگیری ماشین؛ و سیستم های گفتگوی عصبی مبتنی بر یادگیری سرتاسر. ارزیابی عملکرد و قابلیت استفاده سیستم های گفتگو به خودی خود به موضوع مهمی تبدیل شده است و انواع معیارها و چارچوب های ارزیابی شرح داده شده است. در نهایت، تعدادی از چالشها برای تحقیقات آینده در نظر گرفته میشوند، از جمله: چندوجهی در سیستمهای گفتگو، گفتگوی بصری. یادگیری مدل گفتگوی کارآمد داده استفاده از نمودارهای دانش؛ پدیده های گفتمان و گفتگو رویکردهای ترکیبی برای توسعه سیستم های گفتگو؛ گفتگو با روبات های اجتماعی و در اینترنت اشیاء؛ و مسائل اجتماعی و اخلاقی.
This book provides a comprehensive introduction to Conversational AI. While the idea of interacting with a computer using voice or text goes back a long way, it is only in recent years that this idea has become a reality with the emergence of digital personal assistants, smart speakers, and chatbots. Advances in AI, particularly in deep learning, along with the availability of massive computing power and vast amounts of data, have led to a new generation of dialogue systems and conversational interfaces. Current research in Conversational AI focuses mainly on the application of machine learning and statistical data-driven approaches to the development of dialogue systems. However, it is important to be aware of previous achievements in dialogue technology and to consider to what extent they might be relevant to current research and development. Three main approaches to the development of dialogue systems are reviewed: rule-based systems that are handcrafted using best practice guidelines; statistical data-driven systems based on machine learning; and neural dialogue systems based on end-to-end learning. Evaluating the performance and usability of dialogue systems has become an important topic in its own right, and a variety of evaluation metrics and frameworks are described. Finally, a number of challenges for future research are considered, including: multimodality in dialogue systems, visual dialogue; data efficient dialogue model learning; using knowledge graphs; discourse and dialogue phenomena; hybrid approaches to dialogue systems development; dialogue with social robots and in the Internet of Things; and social and ethical issues.
Preface Acknowledgments Glossary Introducing Dialogue Systems What is a Dialogue System? Why Develop a Dialogue System? A Brief History of Dialogue Systems Text-Based and Spoken Dialogue Systems Voice User Interfaces Chatbots Embodied Conversational Agents Robots and Situated Agents Limitations of Early Dialogue Systems Present-Day Dialogue Systems Dialogue Systems on Messaging Platforms Dialogue Systems on Smartphones Dialogue Systems on Smart Speakers and Other Devices Dialogue Systems in Cars How Current Dialogue Systems Are Different Modeling Conversation in Dialogue Systems User-Initiated Dialogues System-Directed Dialogue Multi-Turn Open-Domain Dialogue Designing and Developing Dialogue Systems Rule-Based Dialogue Systems: Architecture, Methods, and Tools A Typical Dialogue Systems Architecture Automatic Speech Recognition (ASR) Natural Language Understanding (NLU) Dialogue Management Natural Language Generation (NLG) Text-to-Speech Synthesis (TTS) Designing a Dialogue System Tools for Developing Dialogue Systems Visual Design Tools Scripting Tools for Handcrafting Dialogue Systems Advanced Toolkits and Frameworks Research-Based Toolkits Which is the Best Toolkit? Rule-Based Techniques in Dialogue Systems Participating in the Alexa Prize Statistical Data-Driven Dialogue Systems Motivating the Statistical Data-Driven Approach Dialogue Components in the Statistical Data-Driven Approach Natural Language Understanding Dialogue Management Natural Language Generation Reinforcement Learning (RL) Representing Dialogue as a Markov Decision Process From MDPs to POMDPs Dialogue State Tracking Dialogue Policy Problems and Issues with Reinforcement Learning and POMDPs Evaluating Dialogue Systems How to Conduct the Evaluation Laboratory Studies vs. Evaluations in the Wild Evaluating Task-Oriented Dialogue Systems Quantitative Metrics for Overall Dialogue System Evaluation Quantitative Metrics for the Evaluation of the Sub-Components of Dialogue Systems Qualitative/Subjective Evaluation Evaluating Open-Domain Dialogue Systems Evaluation at the Level of the Exchange Evaluation at the Level of the Dialogue ChatEval: A Toolkit for Chatbot Evaluation Evaluations in Challenges and Competitions Evaluation Frameworks PARADISE Quality of Experience (QoE) Interaction Quality What is the Best Way to Evaluate Dialogue Systems? End-to-End Neural Dialogue Systems Neural Network Approaches to Dialogue Modeling A Neural Conversational Model Introduction to the Technology of Neural Dialogue Word Embeddings Recurrent Neural Networks (RNNs) Long Short-Term Memory Units The Encoder-Decoder Network Retrieval-Based Response Generation Task-Oriented Neural Dialogue Systems Open-Domain Neural Dialogue Systems Alexa Prize 2020 Google's Meena Facebook's BlenderBot OpenAI's GPT-3 Some Issues and Current Solutions Semantic Inconsistency Affect Dialogue Systems: Datasets, Competitions, Tasks, and Challenges Datasets and Corpora Competitions, Tasks, and Challenges Additional Readings Challenges and Future Directions Multimodality in Dialogue Multimodal Fusion Multimodal Fission Multimodality in Smartphones and Smart Speakers with Displays Visual Dialogue and Visually Grounded Language Data Efficiency: Training Dialogue Systems with Sparse Data Knowledge Graphs for Dialogue Systems Reasoning and Collaborative Problem Solving in Dialogue Systems Discourse and Dialogue Phenomena Making Reference Detecting, Maintaining, and Changing Topic Multi-Party Dialogue Incremental Processing in Dialogue Turn-Taking in Dialogue Hybrid Dialogue Systems Dialogue with Social Robots Dialogue and the Internet of Things Social and Ethical Issues The Way Ahead Toolkits for Developing Dialogue Systems Bibliography Author's Biography Blank Page