Dialogový manažer pro konverzační umělou inteligenci

Abstract

Dialogový management je úkol konverzační umělé inteligence. Cílem dialogového manageru je zvolit vhodnou reakci pro dialogového partnera závislou na vstupní zprávě a aktuálním stavu dialogu. Cílem této práce je aplikovat rekurentní neuronové sítě na úkol dialogového managementu s použitím co nejmenšího počtu předpřipravených pravidel. Provedeme experimenty na souboru dialogových bAbI dat a na souboru dat dialogů získaných z interakcí mezi uživateli a socialbotem Alquistem. Změříme přesnost zvolení odpovědi a zvolení odpovědí v celém dialogu několika architektur dialogových manažerů. Použijeme Bayesovskou optimalizaci hyperparametrů pro zvýšení přesnosti navrhovaných architektur.

The dialogue management is a task of conversational artificial intelligence. The goal of the dialogue manager is to select the appropriate response to the conversational partner conditioned by the input message and recent dialogue state. The thesis aims to apply recurrent neural networks for dialog management task with as little hard-coded rules as possible. We will perform experiments on the Dialogue bAbI Task datasets and the dataset of dialogues collected from interactions between users and socialbot Alquist. We will measure the turn and dialogue accuracy of several architectures of dialogue manager. We will use Bayesian hyperparameter optimization to improve the accuracy of proposed architectures.