Baixe o app para aproveitar ainda mais
Prévia do material em texto
(IJACSA) International Journal of Advanced Science and Applications Computer, Vol. 6, n ° 7, 2015 72 | Página72 | Página www.ijacsa.thesai.org Pesquisa sobre Técnicas Chatbot Design em Speech Sistemas de conversação Sameera A. Abdul-Kader Escola de Ciência da Computação e Engenharia Eletrônica / University of Essex Colchester / UK Universidade Diyala / Diyala / Iraque Dr. John Woods Escola de Ciência da Computação e Engenharia Eletrônica / University of Essex Colchester / UK Abstrato - Human-Computer Speech está ganhando força como uma Abstrato - Human-Computer Speech está ganhando força como uma Abstrato - Human-Computer Speech está ganhando força como uma técnica de interação computador. Tem havido um recente aumento nos motores de busca discurso baseado e assistentes tais como Siri, o Google Chrome e Cortana. técnicas de Processamento de Língua Natural (PLN), como NLTK para Python pode ser aplicado para analisar a fala e respostas inteligentes podem ser encontrados através da concepção de um motor para fornecer humano apropriada como respostas. Este tipo de programa é chamado de Chatbot, que é o foco deste estudo. Este trabalho apresenta um estudo sobre as técnicas utilizadas para projetar chatbots e é feita uma comparação entre diferentes técnicas de design de nove papéis cuidadosamente selecionados de acordo com os principais métodos adotados. Estes papéis são representativas das melhorias significativas na chatbots na última década. Palavras-chave - AIML; chatbot; Prêmio Loebner; PNL; NLTK; SQL; Teste de TuringPalavras-chave - AIML; chatbot; Prêmio Loebner; PNL; NLTK; SQL; Teste de TuringPalavras-chave - AIML; chatbot; Prêmio Loebner; PNL; NLTK; SQL; Teste de Turing EU. Eu NTRODUÇÃOEu NTRODUÇÃO A fala é um dos o mais poderoso formas de comunicação entre os seres humanos; portanto, é os pesquisadores "ambição no domínio da investigação interação homem-computador para melhorar a interação de voz entre o humano eo computador em ordem para simular humano-humano discurso interação. interação discurso com dispositivos de computação em rede moderna tem recebido crescente interesse nos últimos anos com contribuições de Google, Android e IOS. Porque eles são mais natural do que as interfaces gráficas-base, sistemas de diálogo ditas estão começando a formar o método de interacção primário com uma máquina de [1]. Portanto, a interação discurso vai desempenhar um papel significativo em máquinas humanizadoras no futuro próximo [2]. trabalho de pesquisa muito tem-se concentrado em melhorar as taxas de reconhecimento da voz humana e a tecnologia está agora se aproximando viabilidade para o discurso baseado interação homem-computador. Interação discurso se divide em mais de uma área, incluindo: o reconhecimento de voz, análise de discurso, NLP (Natural Language Processing), identificação de palavras-chave, design Chabot / personalidade, inteligência artificial etc. Chatbot é um programa de computador que têm a capacidade de manter uma conversa com humanos utilizando Natural da língua do discurso. Neste trabalho, uma pesquisa de técnicas de design chatbot em conversa discurso entre o humano eo computador é apresentado. Nove estudos que fizeram contribuições identificáveis no projeto Chatbot nos últimos dez anos são selecionados e, em seguida, analisou. As diferentes técnicas usadas para chatbots na obras selecionadas são comparados com aqueles usados em Loebner-Prize chatbots. Os resultados são discutidos e conclusões são tiradas no final. II. FUNDO UMA. interação Discurso Humano-Computador UMA. interação Discurso Humano-Computador O reconhecimento de voz é uma das mais naturais e procurado técnicas no computador e interação dispositivo em rede só recentemente se tornou possíveis (duas últimas décadas), com o advento da computação rápido. A fala é um sinal sofisticado e acontece em diferentes níveis: “semântica, linguística, articulatório, e acústico” [3]. Discurso é considerado como o mais natural entre os aspectos da comunicação humana, devido à informação abundante existente, implicitamente, além do significado das palavras faladas. Uma das etapas de extração de informação de voz é a conversão de voz para texto via Reconhecimento Automático de Fala (ASR) e informação do discurso de mineração [4]; em seguida, o texto resultante pode ser tratada para extrair o significado das palavras. O reconhecimento de voz é amplamente aceito como o futuro da interação com computadores e aplicações móveis; não há necessidade de usar dispositivos de entrada tradicionais, como o mouse, teclado ou tela sensível ao toque e é especialmente útil para usuários que não têm a capacidade de usar esses dispositivos tradicionais [5]. Pode ajudar as pessoas deficientes com paralisia, por exemplo, para interagir com dispositivos modernos facilmente pela voz única, sem mover suas mãos. B. Toolkit Natural Language (NLTK) B. Toolkit Natural Language (NLTK) A fim de tratar e manipular o texto resultante de reconhecimento de fala e voz para texto de conversão, kits de ferramentas específicas são necessárias para organizar o texto em frases, em seguida, dividi-los em palavras, para facilitar a extracção semântica e significado. Um desses kits de ferramentas é o NLTK amplamente utilizado que é um plugin gratuito para Python. O ToolKit Natural Language (NLTK) é um conjunto de módulos, tutoriais e exercícios que são open source e cobrem Processamento de Língua Natural simbolicamente e estatisticamente. NLTK foi desenvolvido na Universidade da Pensilvânia, na 2001allowing lingüística computacional com três aplicações educacionais em mente: projetos, atribuições e manifestações [6] [7]. Ela pode ser encontrada dentro das bibliotecas Python para manipulação Graph licença aberta GPL. NLTK é usado para dividir as palavras em uma seqüência de texto e separar o texto em partes do discurso por marcação rótulos de texto de acordo com suas posições e funções na sentença. O resultante com etiquetas (IJACSA) International Journal of Advanced Science and Applications Computer, Vol. 6, n ° 7, 2015 73 | Página73 | Página www.ijacsa.thesai.org palavras são então processadas para extrair o significado e produzir uma resposta como fala ou acção, conforme necessário. regras gramaticais diferentes são usados para categorizar as palavras com tag no texto em grupos ou frases relacionadas com os seus vizinhos e posições. Este tipo de agrupamento é chamado de segmentação em frases, tais como sintagmas nominais e frases verbais. C. estratégias chatbot C. estratégias chatbot Para dar respostas adequadas às palavras-chave ou frases extraídas da fala e para manter conversação contínua, há uma necessidade de construir um sistema de diálogo (programa) chamado de Chatbot (Chatter-Bot). Chatbots pode ajudar no computador humano interação e eles têm a capacidade de analisar e influenciar o comportamento do usuário [8], fazendo perguntas e respondendo às perguntas do usuário. O Chatbot é um programa de computador que imita conversa inteligente. A entrada para este programa é um texto de linguagem natural, ea aplicação deve dar uma resposta que é a melhor resposta inteligente para a sentença de entrada. Este processo é repetido como a conversa continua [9] e a resposta é texto ou discurso. Construindo um Chatbot necessidades altamente profissional habilidades de programação e programadores experientes para conseguir ainda um nível básico de realismo. Há uma plataforma de desenvolvimento complicada por trás de qualquer Chatbot que só será tão boa como a sua base de conhecimento que mapeia as palavras de um usuário "s para a respostamais adequada. O desenvolvedor bot geralmente constrói a base de conhecimento também. No entanto, existem algumas plataformas que proporcionam um ambiente de aprendizagem. Escrevendo um Chatbot perfeita é muito difícil porque ele precisa de um grande banco de dados e deve dar respostas razoáveis para todas as interações. Há uma série de abordagens para criar uma base de conhecimento para uma Chatbot e incluem escrita à mão e aprender a partir de um corpus. Aprendendo aqui significa salvar novas frases e depois usá-los mais tarde para dar respostas adequadas para frases semelhantes [10]. Projetando um pacote de software Chatbot requer a identificação das partes constituintes. Um Chatbot pode ser dividida em três partes: Respondente, Classificador e Graphmaster (., Como mostrado na Figura 1) [11], os quais são descritos como se segue: 1) Responder: é a parte que desempenha o papel de interface entre os 1) Responder: é a parte que desempenha o papel de interface entre os principais rotinas do bot e do usuário. As funções da resposta são: a transferência de dados do utilizador para o classificador e controlar a entrada e a saída. 2) Classificador: é a parte entre a Responder ea Graphmaster. funções 2) Classificador: é a parte entre a Responder ea Graphmaster. funções deste camada são: a filtragem e normalizar a entrada, a segmentação da entrada introduzida pelo utilizador em componentes lógicos, transferindo a frase normalizada para o Graphmaster, processar a saída do Graphmaster, e lidar com as instruções da sintaxe de banco de dados (por exemplo AIML). 3) Graphmaster: é a parte de correspondência de padrões que faz as seguintes 3) Graphmaster: é a parte de correspondência de padrões que faz as seguintes tarefas: a organização de conteúdo, armazenamento do cérebro e mantendo o padrão de algoritmos de correspondência. Figura 1. Componentes de Chatbot [11] Figura 1. Componentes de Chatbot [11] D. Chatbot técnicas fundamentais do projeto e abordagens D. Chatbot técnicas fundamentais do projeto e abordagens Para projetar qualquer Chatbot, o designer deve estar familiarizado com uma série de técnicas: 1) Análise: esta técnica inclui analisar o texto de entrada e manipulando-a, 1) Análise: esta técnica inclui analisar o texto de entrada e manipulando-a, 1) Análise: esta técnica inclui analisar o texto de entrada e manipulando-a, utilizando uma série de funções de PNL; por exemplo, árvores em Python NLTK. 2) Padrão de correspondência: é a técnica que é usada na maioria dos chatbots 2) Padrão de correspondência: é a técnica que é usada na maioria dos chatbots 2) Padrão de correspondência: é a técnica que é usada na maioria dos chatbots e é bastante comum em sistemas de pergunta-resposta dependendo dos tipos correspondentes, tais como inquéritos naturais de linguagem, simples declarações, ou significado semântico de inquéritos [12]. 3) AIML: é uma das técnicas fundamentais que são usados no projeto 3) AIML: é uma das técnicas fundamentais que são usados no projeto 3) AIML: é uma das técnicas fundamentais que são usados no projeto comum Chatbot. Mais detalhes sobre esta técnica e a linguagem utilizada são explicados na secção 2.5 abaixo. 4) Chat Script: é a técnica que ajuda quando há partidas ocorrem em AIML. 4) Chat Script: é a técnica que ajuda quando há partidas ocorrem em AIML. 4) Chat Script: é a técnica que ajuda quando há partidas ocorrem em AIML. Concentra-se o melhor sintaxe para construir uma resposta padrão razoável. Dá um conjunto de funcionalidades, tais como conceitos variáveis, fatos e lógica e / ou. 5) SQL e banco de dados relacional: é uma técnica usada recentemente 5) SQL e banco de dados relacional: é uma técnica usada recentemente 5) SQL e banco de dados relacional: é uma técnica usada recentemente em design Chatbot, a fim de tornar o Chatbot lembrar conversas anteriores. Mais detalhes e explicações são fornecidos no ponto 2.6 abaixo. 6) Cadeias de Markov: é utilizado para construir em chatbots respostas que são 6) Cadeias de Markov: é utilizado para construir em chatbots respostas que são 6) Cadeias de Markov: é utilizado para construir em chatbots respostas que são mais aplicáveis probabilisticamente e, consequentemente, são mais correcta. A idéia de Cadeias de Markov é que há uma probabilidade fixa de ocorrências para cada letra ou palavra no mesmo conjunto de dados textuais [13]. 7) truques de linguagem: estas são frases, frases ou mesmo parágrafos 7) truques de linguagem: estas são frases, frases ou mesmo parágrafos 7) truques de linguagem: estas são frases, frases ou mesmo parágrafos disponíveis no chatbots, a fim de adicionar variedade à base de conhecimento e torná-lo mais convincente. Os tipos de truques de linguagem são: • respostas enlatadas. • Erros de digitação e simulando golpes de tecla. • Modelo da história pessoal. • Non Sequitur (não é uma conclusão lógica) Cada um desses truques de linguagem é usada para satisfazer um propósito específico e fornecer respostas alternativas às questões [13]. (IJACSA) International Journal of Advanced Science and Applications Computer, Vol. 6, n ° 7, 2015 74 | Página74 | Página www.ijacsa.thesai.org 8) ontologias: eles também são chamados de redes semânticas e são um 8) ontologias: eles também são chamados de redes semânticas e são um 8) ontologias: eles também são chamados de redes semânticas e são um conjunto de conceitos que estão interligados relacionalmente e hierarquicamente. O objetivo do uso de ontologias em um Chatbot é calcular a relação entre estes conceitos, tais como sinônimos, hipónimos e outras relações que são nomes conceito de linguagem natural. A interligação entre estes conceitos podem ser representados em um gráfico que permite que o computador para pesquisar usando regras específicas para o raciocínio [13]. E. Prêmio Loebner e Teste de Turing E. Prêmio Loebner e Teste de Turing a) Teste de Turing a) Teste de Turing No campo da Inteligência Artificial, Turing foi o primeiro a levantar a questão: “Pode uma máquina pensar?” [14], onde o pensamento é definida como a capacidade realizada por seres humanos. De acordo com esta questão e esta definição, Turing sugere o “jogo de imitação” como um método para evitar directamente a pergunta e para especificar uma medição de realização para os investigadores em Inteligência Artificial [15], se a máquina parece ser humano. O jogo da imitação pode ser jogado entre três pessoas: (A), que é um homem, (B), que é uma mulher, e (C), que é o interrogador e pode ser um homem ou uma mulher. O objetivo do interrogador aqui é determinar quem é a mulher e quem é o homem (A e B). O interrogador conhece a dois como etiquetas de X e Y e tem de decidir, no final do jogo, quer “X é B e Y é um” ou “x é um e Y é B”. B. Turing, em seguida, questiona o que acontecerá se A é substituído por uma máquina; pode o interrogador diferenciar entre os dois? A pergunta original “Podem as máquinas pensar?” Pode ser substituída por esta questão [14]. Neste jogo da imitação, o Chatbot representa a máquina e tenta enganar o interrogador a pensar que é o ser humano ou os designers tentar programá-lo para fazê-lo [16]. b) Prêmio Loebner b) Prêmio Loebner Em 1990 foi realizado um acordo entre Hugh Loebner e O Centro de Cambridge para Estudos Comportamentais para estabelecer uma competição baseada na implementação do teste de Turing. A medalha de ouro e US $ 100.000 foram oferecidos por Hugh Loebner como um Grande Prêmio para o primeiro computador que faz com que as respostas que não podem ser distinguidos dos seres humanos ". A medalha de bronze e um prémio anual de US $ 2000 ainda estão comprometidos em cada concurso anual para o computadorque parece ser mais humano em relação aos outros concorrentes, independentemente de quão bom é absolutamente [15]. É a primeira competição sabido que representa um teste instanciação formal de Turing [13]. A competição foi executado entre 1991 anualmente com ligeiras alterações feitas para as condições originais ao longo dos anos. O importante nesta competição é projetar um Chatbot que tem a capacidade de conduzir uma conversa. Durante a sessão de bate-papo, o interrogador tenta adivinhar se eles estão falando a um programa ou um ser humano. Depois de uma conversa de dez minutos entre o juiz e um Chatbot de um lado e do juiz e um aliado, independentemente, por outro lado, o juiz tem de indicar que um era o humano. A escala de não-humano para humano é de 1 a 4 e o juiz deve avaliar o Chatbot nesta gama [16]. De acordo com este acórdão, a Chatbot mais humano é o vencedor. Sem Chatbot jamais conquistou a medalha de ouro e passou no teste para ganhar o prêmio Loebner. No entanto, alguns chatbots ter marcado como altamente como 3 dos 12 juízes que acreditam que eles eram humanos. Há um bot ganhando a cada ano e há uma lista de chatbots chamado Loebner valorizada chatbots. Esta lista começa, de 1991 até a data atual. c) Chatbots valorizados e suas técnicas de design c) Chatbots valorizados e suas técnicas de design Embora nenhum Chatbot ganhou o Prêmio Loebner ainda, há uma Chatbot ganhando a cada ano e o padrão de entrada continua a melhorar com o tempo. A Tabela 1 mostra as chatbots valorizada como o nome do programador, o nome do programa, o ano em que ganhou, e as técnicas utilizadas para projetar e programá-los. F. AIML Para construir uma Chatbot, é necessário um fácil de entender e universal linguagem flexível,. AIML, um derivado de XML é uma das abordagens amplamente usados que satisfaz os requisitos. AIML representa o conhecimento colocado em chatbots e é baseado na tecnologia de software desenvolvido para ALICE (a entidade linguística Artificial Internet do computador). Tem a capacidade de caracterizar o tipo de objecto de dados (objectos AIML) e descrever condutância parcial dos programas que processa. Esses objetos consistem em duas unidades: tópicos e categorias; os dados contidos nestas categorias é analisado, quer ou não analisado [19]. O objetivo da linguagem AIML é simplificar a tarefa de modelagem de conversação, em relação a um processo de “estímulo-resposta”. É também uma linguagem de marcação baseada em XML e depende de marcas que são os identificadores que fazem trechos de códigos para enviar comandos para o Chatbot. A classe de objeto de dados é definida em AIML como um objeto AIML, ea responsabilidade desses objetos está modelando padrões de conversação. Isto significa que cada objeto AIML é a marca de idioma que associa com um comando de linguagem. A estrutura geral de objectos AIML é colocada para a frente por [20]: <Command> Lista de parâmetros </ command> O objeto mais importante entre os objetos AIML é categoria, padrão e modelo. A tarefa do tag categoria é a definição da unidade da conversa conhecimento. A tag padrão identifica a entrada do usuário e a tarefa de tag é responder à entrada do usuário específico [20]; estas são as marcas mais frequentes e as bases para projetar AIML chatbots com uma resposta inteligente para conversas de voz em linguagem natural. A estrutura de categoria, padrão, e objeto do molde é mostrada abaixo: <Category> <Pattern> entrada do usuário </ pattern> <Template> Correspondente resposta à entrada </ template> </ Category> (IJACSA) International Journal of Advanced Science and Applications Computer, Vol. 6, n ° 7, 2015 75 | Página75 | Página www.ijacsa.thesai.org TABELA I. eu OEBNER P AUTORIZADO C HATBOTS "D ESIGN T ECHNIQUES E UMA PPROACHES [ 13] eu OEBNER P AUTORIZADO C HATBOTS "D ESIGN T ECHNIQUES E UMA PPROACHES [ 13] eu OEBNER P AUTORIZADO C HATBOTS "D ESIGN T ECHNIQUES E UMA PPROACHES [ 13] eu OEBNER P AUTORIZADO C HATBOTS "D ESIGN T ECHNIQUES E UMA PPROACHES [ 13] eu OEBNER P AUTORIZADO C HATBOTS "D ESIGN T ECHNIQUES E UMA PPROACHES [ 13] eu OEBNER P AUTORIZADO C HATBOTS "D ESIGN T ECHNIQUES E UMA PPROACHES [ 13] eu OEBNER P AUTORIZADO C HATBOTS "D ESIGN T ECHNIQUES E UMA PPROACHES [ 13] eu OEBNER P AUTORIZADO C HATBOTS "D ESIGN T ECHNIQUES E UMA PPROACHES [ 13] eu OEBNER P AUTORIZADO C HATBOTS "D ESIGN T ECHNIQUES E UMA PPROACHES [ 13] eu OEBNER P AUTORIZADO C HATBOTS "D ESIGN T ECHNIQUES E UMA PPROACHES [ 13] eu OEBNER P AUTORIZADO C HATBOTS "D ESIGN T ECHNIQUES E UMA PPROACHES [ 13] eu OEBNER P AUTORIZADO C HATBOTS "D ESIGN T ECHNIQUES E UMA PPROACHES [ 13] eu OEBNER P AUTORIZADO C HATBOTS "D ESIGN T ECHNIQUES E UMA PPROACHES [ 13] Ano Nome do programa Vencedor do nome do desenhista técnica design 1991 PC terapeuta Joseph Weintraub respostas enlatadas e não-sequitur, além de correspondência de padrão após a análise, e vocabulário palavra que o tornam lembrar frases. 1992 PC terapeuta Joseph Weintraub 1993 PC terapeuta Joseph Weintraub 1994 DICAS Thomas Whalen Um banco de dados modelo história pessoal como o sistema com correspondência de padrão. 1995 PC terapeuta Joseph Weintraub O mesmo que em 1991. 1996 feitiço Jason Hutchens Tem um banco de dados frases truque, modelos de cadeia de Markov, correspondência de padrão e um modelo de história pessoal. 1997 Conversar David Levy Um banco de dados de fatos, correspondência de padrões, proatividade, sinônimos WordNet, um analisador estatístico, ontologia, uma lista de nomes próprios, e um modulares de módulos ponderada. 1998 Albert One Robby Garner estrutura hierárquica de chatbots anteriores, tais como Fred, Eliza, correspondência de padrões e pró-actividade. 1999 Albert One Robby Garner 2000 ALICE Richard Wallace Avançar correspondência padrão, AIML. 2001 ALICE Richard Wallace 2002 Ella Kevin Copple truques de linguagem, frase de normalização, correspondência de padrões, WordNet, e expandindo abreviação. 2003 Jabberwock Juergen Pirner Cadeias de Markov, simples correspondência de padrão, contexto livre gramática (CFG), e do analisador. 2004 ALICE Richard Wallace O mesmo que em 2000. 2005 George (Jabberwacky) Rollo Carpenter Sem scripts ou padrão de correspondência, um enorme banco de dados de respostas de pessoas, e eles são baseados no Chatbot Jabberwacky. 2006 Joan (Jabberwacky) Rollo Carpenter 2007 UltraHAL Robert Medeksza Scripts de correspondência de padrões e combinação de código VB. 2008 Elbot Fred Roberts sistema de Interação Natural Language comercial. 2009 Fazer-muito-mais David Levy Imóveis Comerciais brinquedos inteligentes. 2010 Suzette Bruce Wilcox script de chat baseado AIML com banco de dados de variáveis, triplos e conceitos. 2011 Roseta Bruce Wilcox 2012 Chip Vivant Mohan Embar Respostas usando roteiro não formatado chat e AI, e ontologia. 2013 Mitsuku Steve Worswick Com base em regras escritas em AIML [17]. 2014 Rosa Bruce Wilcox Ele contém um motor de linguagem natural abrangente para reconhecer o significado da frase de entrada com precisão. Um script de chat também está incluído no projeto [18]. Matching de palavras ou padrões frase para chatbots com palavras-chave precisa ser tão preciso quanto possível. A correspondência de padrão para “consulta" idioma para AIML é mais simples do que, por exemplo, SQL. No entanto, isso não significa que AIML é um simples banco de dados de perguntas e respostas. Depende de mais de uma categoria correspondente porque ele usa uma tag recursiva como <srai> [19]. É importante para dar uma variedade de respostas a partir da base de conhecimento para alcançar o maiornúmero de combinações possíveis. G. SQL G. SQL Uma base de dados relacional (RDB) é uma das técnicas utilizadas recentemente para construir bases de conhecimento ChatBot. A técnica tem sido usada para construir um banco de dados para um Chatbot, ou seja, para permitir que o Chatbot para lembrar conversas anteriores e para tornar a conversa mais contínua e significativa. A linguagem mais familiar RDB é SQL ( Structured Query Language ), Que pode A linguagem mais familiar RDB é SQL ( Structured Query Language ), Que pode A linguagem mais familiar RDB é SQL ( Structured Query Language ), Que pode ser utilizado para este fim. SQL ou MySQL ganhou um alto reconhecimento no RDB porque é a linguagem de alto nível para os dados nonprocedural. blocos de consulta de nidificação a profundidades arbitrárias é uma das características mais interessantes do mesmo, e a consulta SQL podem ser divididos em cinco tipos básicos de nidificação. Algoritmos são desenvolvidos para mudar consultas que incluem estes tipos de nidificação básicos em "consultas semanticamente equivalentes". Semanticamente equivalentes série são ajustáveis para conseguir o processamento eficaz através de subsistemas de processamento de consulta existentes. SQL como uma linguagem de dados é implementado em ZETA; também como uma linguagem baseada em cálculo e blockstructured, isto está implementada no sistema R, ORACLE, bem como SEQUEL [21]. Alguns pesquisadores, como visto nas próximas seções, que utilizou recentemente SQL para gerar um (IJACSA) International Journal of Advanced Science and Applications Computer, Vol. 6, n ° 7, 2015 76 | Página76 | Página www.ijacsa.thesai.org banco de dados que salva o histórico de conversas, a fim de fazer uma busca por qualquer palavra ou frase corresponder mais fácil. Esta técnica dá continuidade e precisão para o diálogo, pois permite que o sistema de diálogo para recuperar um pouco de história informação anterior. III. S Peech Um ANÁLISE E R espostoIII. S Peech Um ANÁLISE E R esposto análise de discurso pode ser dividido em três etapas: (i) reconhecimento de voz e conversão de texto, (ii) o processamento de texto, e (iii) resposta e ação a tomar. Estas fases são explicados como se segue: Em primeiro lugar, orador discurso independente passa por um microfone a um pacote de processamento de sinal digital construída no computador para convertê-lo em um fluxo de impulsos que contêm informações discurso. instruções específicas pode ser usado para ler o discurso de entrada, em seguida, convertê-lo em texto. Esta etapa fornece texto de discurso para processamento na próxima fase. O diagrama que ilustra esta fase é mostrado na Fig. 2. Figura 2. A etapa de reconhecimento de voz e conversão de texto Figura 2. A etapa de reconhecimento de voz e conversão de texto Em segundo lugar, o texto resultante é dividido em palavras separadas por marcação com etiquetas partes-do-discurso de acordo com as suas posições e vizinhos na frase. Diferentes tipos de gramática pode ser utilizada nesta fase para pedaço do indivíduo marcado palavras para formar frases. Palavras-chave pode ser extraído dessas frases, eliminando palavras indesejadas nas operações chinking. Essas palavras-chave pode ser verificada e corrigida, se eles não estão certos. As fases da etapa de processamento de texto são mostrados na Fig. 3. Fig. 3. A etapa de processamento de texto Fig. 3. A etapa de processamento de texto Finalmente, um Chatbot pode ser construído para dar a resposta inteligente desejado para uma conversa discurso linguagem natural. A entrada para este Chatbot é palavras-chave liberados a partir do processamento de texto fala; a saída é a resposta programada, que vai ser, por exemplo, uma aplicação executada ou qualquer outro texto ou resposta discurso. A Fig. 4 mostra um diagrama resumo da terceira fase. Fig. 4. Palco de Resposta e Ação Tomando Fig. 4. Palco de Resposta e Ação Tomando a) os principais parâmetros técnicas de conversação entre um humano e um computador pode ser tanto conversando digitando texto ou discurso diálogo usando a voz. O processamento das informações em ambas as técnicas é o mesmo após a conversão de voz para texto, no caso de diálogo discurso. Um diagrama que mostra os principais passos de análise e ao processamento necessários para executar conversa computador humano é mostrado na Fig. 5. Os principais parâmetros que afetam a qualidade da interação homem-computador no projeto de sistemas de conversação são: (i) as técnicas utilizadas para analisar o texto usando diferentes gramática define a produzir palavras-chave, (ii) técnicas de correspondência de padrões utilizados no interior da Chatbot e dependem de uma variedade de dados técnicas de acesso de base e (iii) o tipo de resposta de acordo com a aplicação específica. O foco desta pesquisa é principalmente sobre técnicas de design chatbot e é feita uma comparação entre eles em termos de software usados, a contribuição para o campo de pesquisa em novas técnicas, ea largura e profundidade da base de conhecimento usada. Fig. 5. As principais etapas de análise e processamento para executar computador conversação Fig. 5. As principais etapas de análise e processamento para executar computador conversação humana Speech to Text Entrada discurso Sinal digital Em processamento Microfone Marcando as palavras pelas Speech Parts Dividir o texto em palavras individuais Chunking o texto em frases Omitindo palavras redundantes Verificando Palavras-chave Corrigindo erros existentes Escolhendo uma frase (palavras-chave) A Chatbot construída usando qualquer técnica de voz para texto Dividindo texto para palavras e etiquetar as palavras Chunking e chinking em frases (partes de gramática) Fazendo uma resposta Discurso conversação Palavras-chave Response (Speech ou açao) chatbot (IJACSA) International Journal of Advanced Science and Applications Computer, Vol. 6, n ° 7, 2015 77 | Página77 | Página www.ijacsa.thesai.org IV. AR REVISÃO ON R ecente C HATBOT D ESIGN W ORKAR REVISÃO ON R ecente C HATBOT D ESIGN W ORK Um corpo considerável de trabalho está associada a chatbots e eles tornaram-se recentemente uma técnica promissora para interação humano-computador. sistemas de diálogo foram construídas para atender a uma variedade de aplicações e pode ser aplicado em vários campos. Um número de estudos selecionados entre 2003 e 2013 são revistos e explicados abaixo. • Embora a criação de um novo tipo de Chatbot é uma contribuição para o campo há um número limitado de opções disponíveis para o designer de software. Os autores em [10] bases de conhecimento criados para chatbots combinando os atributos de dois outros chatbots. Os autores processadas as bases de conhecimento, utilizando três filtros para eliminar a sobreposição, identificar pessoal perguntas, e rejeitar palavras indesejadas ou tópicos. O corpo é construído a partir de uma combinação de um tipo Chatbot Alice fundação, que é um forma de QA, e um outro, tal como Cleverbot ou fundação, que é um forma de QA, e um outro, tal como Cleverbot ou fundação, que é um forma de QA, e um outro, tal como Cleverbot ou Jabberwacky, que são bons para a manipulação de Chatter conversação. Os autores processou a Chatbot a qualquer diálogo ou conversação. Os autores processou a Chatbot a qualquer diálogo ou conversação. Os autores processou a Chatbot a qualquer diálogo ou QA par formato de acordo com ordenação interação recolhidas. Em QA par formato de acordo com ordenação interação recolhidas. Em seguida, de acordo com ainteracção processados, eles produziram um corpus papo com cerca de 7800 pares de interacções no total. O objetivo de seu estudo foi o de melhorar técnicas de design chatbot. • Chatbots tendem a evoluir de uma contribuição para o outro com extensões adicionadas por pesquisadores posteriores, adicionando novas funcionalidades ao software. O autor, em [22] olhou como estender tipos graves de jogos, adicionando diálogo usando chatbots estender tipos graves de jogos, adicionando diálogo usando chatbots estender tipos graves de jogos, adicionando diálogo usando chatbots simples. Na verdade, é um passo sério e positivo na inserção conversa no mundo dos jogos. O existente jogo sério EMERGO tem conversa no mundo dos jogos. O existente jogo sério EMERGO tem conversa no mundo dos jogos. O existente jogo sério EMERGO tem sido usado como um estudo de caso do trabalho. O autor descreve o Chatbot-EMERGO, que é projetado para treinar estudantes ou estagiários em um ambiente de tratamento médico [22]. O objetivo do estudo é melhorar a interação de voz entre o programa de formação e os formandos ou estudantes. • Um novo Chatbot podem ser projetados para resolver problemas de saúde ou qualquer outra aplicação em uma ampla variedade de campos. Em [23] os autores apresentaram o Chatbot vidi (Nutricionista Virtual) que interage com pacientes diabéticos como um consultor virtual. Os autores propuseram um projeto especial para o Chatbot vidi para fazê-lo lembrar os caminhos de conversação tomadas durante a sessão de perguntas e respostas. O caminho se divide em três níveis de 9 questões cada e pode ser obtido através da análise do parâmetro vpath que determina o caminho tomado pelo paciente. A linguagem natural que é usado para fazer a interface com o usuário é o idioma local Malásia. • Uma extensão foi feita para o bot vidi bate-papo quando os autores em [24] propuseram todo o redesenho do vidi Chatbot empregando as vantagens de um banco de dados relacional. Eles também acrescentou uma extensão e um algoritmo pré-requisito para atualizar vidi em um Chatbot baseado na web. Os autores usaram linguagens de programação web, como PHP, HTML e XHR para implementar a codificação do Chatbot além de Asynchronous Javascript + XML (AJAX). Novamente Malásia é usado. A extensão da Vidi Javascript + XML (AJAX). Novamente Malásia é usado. A extensão da Vidi projetado em [23] torna disponível para usuários na internet através de um navegador web. • técnicas de correspondência de padrão também pode ser aplicado no mundo do design do Chatbot, e pode levar a uma maior precisão de recuperação. Os autores em [25] propuseram uma nova técnica para a correspondência de palavra-chave usando vidi, ([23] e atualizado em [24]) como um ambiente de teste. A técnica proposta é chamado One Match ou Todas as categorias de fósforo (OMAMC). OMAMC é usado para testar a geração de possíveis palavras-chave associadas a uma frase de amostra. Em seguida, os resultados são comparados com outras palavras-chave geradas por outro Chatbot anterior em torno da mesma frase de amostra. Verifica-se que OMAMC melhora na correspondência de palavras-chave em comparação com as técnicas anteriores. Esta nova abordagem é susceptível de ser encontrado em futuras instâncias de chatbots. • Os sistemas educativos são outra aplicação de chatbots. O objetivo é responder a perguntas alunos "ou para testar para um exame, fazendo perguntas e avaliar as respostas. Em [26], os autores se concentra em uma melhoria para a Chatbot CHARLIE (Chatter Interface de Aprendizagem Entity). A plataforma é um sistema inteligente de ensino (INES) com um AIML Chatbot incorporada dentro. O desempenho ea contribuição de CHARLIE está documentado em seu papel e Charlie é capaz de estabelecer uma conversa geral com os alunos; ele pode mostrar o material dos cursos que estudam e que está preparado para fazer perguntas associadas com o material aprendido. aplicações educacionais de sistemas de diálogo são particularmente úteis e são altamente interativo. Eles podem ser melhorado e atualizado facilmente, uma vez que são usados em um ambiente acadêmico. • A aplicação de chatbots aos cuidados Deficiência exige que o concepção A aplicação de chatbots aos cuidados Deficiência exige que o concepção de pacotes e sistemas, a fim de capacitar as pessoas com deficiência com novas tecnologias. Os autores em [5] sugeriu um sistema com novas tecnologias. Os autores em [5] sugeriu um sistema educacional de pergunta-resposta para as pessoas com deficiência, considerando a fala de linguagem natural e isolado palavra conversa. O sistema foi projetado usando uma base de conhecimento AIML com vocabulário limitado, incluindo o reconhecimento de voz ou “grupos de fonemas e palavras”. O sistema de pergunta-resposta AIML é implementado para dar respostas a consultas e, em seguida, treinar os dados de 2000 palavras é usado para testá-lo. 200 palavras dos dados foram utilizados no teste e 156 deles foram reconhecidos; portanto, a precisão do sistema foi de 78%. O objetivo do estudo foi para inseri-lo no software tutorial linguagem fácil acesso Inglês por pessoas com deficiência. As pessoas com cegueira e paralisia mão pode beneficiar da adição de este tipo de recurso em sistemas de e-learning. • Apresentando novos modelos correspondentes representa uma verdadeira inovação dentro chatbots. Em [27] o autor propôs um novo modelo que produz uma nova frase de duas frases existentes. O estudo propõe empregando um algoritmo genético (GA) para construir uma nova (IJACSA) International Journal of Advanced Science and Applications Computer, Vol. 6, n ° 7, 2015 78 | Página78 | Página www.ijacsa.thesai.org sentença dependendo das frases que são recuperados de um banco de dados disponível. A proposta é apresentada, a fim de adaptar o GA para uma estrutura de linguagem natural. • A proposta em [27] foi implementado quando os autores em [9] apresentou sua nova abordagem ao design Chatbot. A abordagem combina métodos de indexação e de correspondência de consulta com correspondência de padrão e se aplica Informações técnicas de recuperação (IR) para produzir uma nova frase a partir dos já existentes. Em seu estudo, as sentenças existentes tornou-se a população inicial do GA, em seguida, os operadores de swap e de cruzamento foram aplicados para produzir a nova frase como uma nova geração do GA. foram apresentados avaliação experimental para o Chatbot antes e depois de aplicar a abordagem de combinação sentença. O objetivo da abordagem foi a de melhorar a diversidade da resposta Chatbot. Os dois principais contribuições do estudo são: i) conversão de duas frases em um e ii) a aplicação de técnicas de recuperação de informação para chatbots. Como visto na revisão acima, técnicas de conversação pode ser aplicada a uma variedade de diferentes aplicações que envolvem a interação entre pessoas e computadores. Os esforços para inserir conversa para estes diferentes sistemas é mostrado para ser útil com todos os estudos concluem que a adição de um Chatbot a um sistema ou software melhora a interacção com o sistema. V. S ELEGIDO ACTORES F I NFLUENCING C HATBOT D ESIGN Semelhanças e diferenças em projetos chatbot foram destacados com os fatores influentes incluídas na pesquisa. Um resumo destes factores pode ser visto na tabela 2. TABELA II. UMA S RESUMO DO S ELEITO F ATORES Eu NFLUENCING C HABOT D ESIGNUMA S RESUMO DO S ELEITO F ATORES Eu NFLUENCING C HABOT D ESIGNUMA S RESUMO DO S ELEITO F ATORES Eu NFLUENCING C HABOT D ESIGNUMA S RESUMO DO S ELEITO F ATORES Eu NFLUENCING C HABOT D ESIGNUMA S RESUMO DO S ELEITO F ATORES Eu NFLUENCINGC HABOT D ESIGNUMA S RESUMO DO S ELEITO F ATORES Eu NFLUENCING C HABOT D ESIGNUMA S RESUMO DO S ELEITO F ATORES Eu NFLUENCING C HABOT D ESIGNUMA S RESUMO DO S ELEITO F ATORES Eu NFLUENCING C HABOT D ESIGNUMA S RESUMO DO S ELEITO F ATORES Eu NFLUENCING C HABOT D ESIGNUMA S RESUMO DO S ELEITO F ATORES Eu NFLUENCING C HABOT D ESIGNUMA S RESUMO DO S ELEITO F ATORES Eu NFLUENCING C HABOT D ESIGNUMA S RESUMO DO S ELEITO F ATORES Eu NFLUENCING C HABOT D ESIGNUMA S RESUMO DO S ELEITO F ATORES Eu NFLUENCING C HABOT D ESIGN Estude Fatores que influenciam Chatbot projeto Voz Texto g de creatina nova Chatbot Usando dis ts le Chatbo uso AIML uso de SQL (banco de dados relacional) técnica Matching Corpus (base de conhecimento) Aplicação Pereira et al [10] sim sim NÃO sim sim NÃO Edger correspondência Chatbot técnica (combinação de algoritmos TfIdf com linguagem natural normalização) Edgar chatbot projeto Chatbot. Rosmalen [22] NÃO sim NÃO sim sim sim forma correspondente QA AIML Educação médica Lokman et al [23] NÃO sim sim NÃO sim sim forma correspondente QA VP bot assistência à saúde Lokman et al [24] NÃO sim NÃO sim NÃO sim requisito prévio Coincidindo vidi chatbot assistência à saúde Lokman et al [25] NÃO sim NÃO sim NÃO sim Um-Match All-Jogo Categoria (OMAMC) vidi chatbot assistência à saúde Mikic et al [26] NÃO sim NÃO sim sim NÃO padrão categoria AIML Coincidindo AIML Educacional sistemas Bhargava et al [5] sim NO Sim NÃO sim NÃO AIML correspondência categoria padrão AIML E-learning Vrajitoru [27] NÃO sim sim NÃO NÃO NÃO Genético Algoritmos (GA) Manual padrão e de dados escolhido Qualquer Ratkiewicz [9] NÃO sim sim NÃO NÃO NÃO Genético Algoritmos (GA) Manual padrão e de dados escolhido Qualquer VI. S RESUMO DE S IGNIFICANT I MPROVEMENTS NA S RESUMO DE S IGNIFICANT I MPROVEMENTS NA S RESUMO DE S IGNIFICANT I MPROVEMENTS NA S RESUMO DE S IGNIFICANT I MPROVEMENTS NA UMA NALYSED S TUDIESUMA NALYSED S TUDIES Cada um dos estudos selecionados feitas melhorias no design Chatbot. Um resumo das contribuições feitas é mostrada na tabela 3. VII. D ISCUSS O exame dos factores que influenciam a concepção Chatbot mostra que existem semelhanças e diferenças entre os estudos destacadas. (IJACSA) International Journal of Advanced Science and Applications Computer, Vol. 6, n ° 7, 2015 79 | Página79 | Página www.ijacsa.thesai.org Embora as etapas de processamento são as mesmas para voz e texto após a voz de conversão de texto, existem diferenças distintas na utilização em sistemas de conversação, particularmente em termos de suas aplicações. O texto é usado na maioria dos estudos, exceto [5], devido à simplicidade, ao passo que a voz é usada em [5] e [10] para aplicações com necessidades especiais, por exemplo para pessoas com deficiência. A resposta, no caso de aplicações de deficiência deve ser uma resposta de voz. As aplicações comerciais móveis (chatbots) que surgiram recentemente, por exemplo, Cortana e Siri, aceitar o discurso como uma entrada e dar uma resposta de voz, além de texto. Novas chatbots foram criados em [5], [9], [23] e [27], que adicionam novas técnicas ou melhor utilização projetos anteriores. Também novas técnicas, algoritmos ou extensões foram adicionados a chatbots existentes em [10], [22], [24], [25] e [26], a fim de melhorar a sua função ou estender software disponível através da adição de interacção de conversação. Por exemplo, o Loebner premiado Chatbot ALICE (que ganhou três vezes) foi melhorada várias vezes em iterações posteriores, e Joan (Jabberwacky) foi a forma atualizada de George (Jabberwacky). As bases de conhecimento são construídas utilizando técnicas diferentes. Por exemplo, AIML, que é a técnica utilizada pela primeira vez com a Alice Chatbot, é usado para construir as chatbots em [5], [10] e [26], enquanto o SQL (ou RDB) é usado em [24] e [ 25]. Ambos AIML e SQL são utilizados em [22] e [23]. Nem AIML ou SQL são usados em [9] e [27]. O uso de SQL (sem clara evidência de usá-lo em Loebner premiado chatbots), acrescentou uma nova técnica para conhecimento-bases, ou seja, a Relational Data Base, que permite a Chatbot para lembrar conversas anteriores, acessando o histórico armazenado no banco de dados projetado usando SQL. No entanto, uma base de conhecimento AIML ainda é eficaz para projetos chatbot; por exemplo, Mitsuku Chatbot ganhou o Prêmio Loebner em 2013 e foi baseado em AIML. A fim de projetar novos chatbots ou estender os anteriores, cada estudo usou um corpus que é diferente do outro, como ilustrado na tabela 2. O corpus que é invocada para construir uma Chatbot afeta o projeto porque afeta a base de conhecimento do chatbot e, em seguida, a precisão da resposta vez que a resposta é um reflexo base de conhecimento. A coluna aplicação na tabela 2 mostra que cada Chatbot foi concebido para satisfazer determinadas necessidades para uma conversa, mantendo uma conversa com um grupo específico de pessoas em uma organização específica. O trabalho no futuro precisa de mais foco em sistemas de conversação uso geral através da concepção de chatbots com bases de conhecimento mais abrangentes, a fim de cobrir tópicos gerais usando as técnicas mais recentes. Tabela 3, que abrange a contribuição apresentada por cada um dos estudos selecionados, mostra como cada um fez uma melhoria ao design Chatbot apesar do uso de diferentes técnicas, algoritmos ou programas. TABELA III. UMA S RESUMO DE C ONTRIBUIÇÕES PARA C HATBOT D ESIGN IN UMA NALYSED S TUDIESUMA S RESUMO DE C ONTRIBUIÇÕES PARA C HATBOT D ESIGN IN UMA NALYSED S TUDIESUMA S RESUMO DE C ONTRIBUIÇÕES PARA C HATBOT D ESIGN IN UMA NALYSED S TUDIESUMA S RESUMO DE C ONTRIBUIÇÕES PARA C HATBOT D ESIGN IN UMA NALYSED S TUDIESUMA S RESUMO DE C ONTRIBUIÇÕES PARA C HATBOT D ESIGN IN UMA NALYSED S TUDIESUMA S RESUMO DE C ONTRIBUIÇÕES PARA C HATBOT D ESIGN IN UMA NALYSED S TUDIESUMA S RESUMO DE C ONTRIBUIÇÕES PARA C HATBOT D ESIGN IN UMA NALYSED S TUDIESUMA S RESUMO DE C ONTRIBUIÇÕES PARA C HATBOT D ESIGN IN UMA NALYSED S TUDIESUMA S RESUMO DE C ONTRIBUIÇÕES PARA C HATBOT D ESIGN IN UMA NALYSED S TUDIESUMA S RESUMO DE C ONTRIBUIÇÕES PARA C HATBOT D ESIGN IN UMA NALYSED S TUDIESUMA S RESUMO DE C ONTRIBUIÇÕES PARA C HATBOT D ESIGN IN UMA NALYSED S TUDIESUMA S RESUMO DE C ONTRIBUIÇÕES PARA C HATBOT D ESIGN IN UMA NALYSED S TUDIESUMA S RESUMO DE C ONTRIBUIÇÕES PARA C HATBOT D ESIGN IN UMA NALYSED S TUDIES Estude Melhorias significativas Pereira et al [10] Produzindo um novo corpus (base de conhecimento) que evita a sobreposição, identifica questões pessoais, e rejeita palavras indesejadas ou tópicos através da combinação de formatos de QA e de diálogo disponíveis. Rosmalen [22] Estendendo um jogo sério existente adicionando um Chatbot simples para dar a oportunidade para estagiários estar ciente de trabalho e as atividades no primeiro dia do seu emprego. Lokman et al [23] Concepção de um novo Chatbot (VIDI), que tem a capacidade de lembrar conversa anterior, a fim de trabalhar como um consultor virtual para pacientes diabéticos. Lokman et al [24] Redesenhar e prorroga o vidi Chatbot adicionando as técnicas correspondentes pré-requisitos para atingir uma forma de conversação em vez de uma forma QA e torná-lo disponível para os usuários na internet através de um navegador web. Lokman et al [25] Propondo uma nova técnica de correspondência OMAMC, a fim de produzir resultados melhorados, reduzindo o tempo correspondentes e aumentando a flexibilidadecontexto. Mikic et al [26] Atualizando o Chatbot CHARLIE para incorporá-lo na plataforma do Sistema Educacional inteligentes (INES), a fim de melhorar a conversa entre estudantes e sistemas educacionais. Bhargava et al [5] Projetando um Chatbot baseada nova AIML de expressão de linguagem natural e entrada de palavra limitado e de saída, de modo a usá-lo em um sistemas de e-learning para permitir às pessoas com deficiência para aprender através de discurso. Vrajitoru [27] Propondo uma nova abordagem correspondência inovador padrão em um Chatbot. Os autores ajustado Algoritmos Genéticos com a linguagem natural para gerar uma nova frase a partir dos já existentes, a fim de melhorar a diversidade da resposta. Ratkiewicz [9] i) Aplicação de um modelo proposto em [27], isto é, empregando GA em correspondência de padrões para produzir uma nova frase de frases recuperados a partir de uma base de dados existente, a fim de aumentar a diversidade de respostas. ii). Aplicação de informações técnicas de recuperação para o Chatbot. (IJACSA) International Journal of Advanced Science and Applications Computer, Vol. 6, n ° 7, 2015 80 | Página80 | Página www.ijacsa.thesai.org VIII. C ONCLUSÕESVIII. C ONCLUSÕES Neste trabalho, a revisão da literatura cobriu uma série de trabalhos selecionados que se concentraram especificamente sobre técnicas de design Chatbot na última década. Uma pesquisa de nove estudos selecionados que afetam projeto Chatbot foi apresentado, e a contribuição de cada estudo foi identificado. Além disso, uma comparação foi feita entre a técnicas de design ChatBot nos estudos seleccionados e, em seguida, com as técnicas ChatBot premiado loebner. A partir do levantamento acima, pode-se dizer que o desenvolvimento e melhoria do design Chatbot não é crescer a uma taxa previsível devido à variedade de métodos e abordagens utilizadas para projetar um Chatbot. As técnicas de projeto Chatbot ainda são um assunto para debate e nenhuma abordagem comum foi ainda identificada. eles encontraram, consequentemente, retardando as melhorias chatbots. Além disso, o chatbots concebido para sistemas de diálogo em estudos seleccionados são, em geral, limitem a certos aplicações. De propósito geral chatbots necessitam de melhorias através da concepção de bases de conhecimento mais abrangentes. Embora alguns produtos comerciais surgiram recentemente no mercado (por exemplo, Microsoft Cortana) como chatbots diálogo, melhorias precisam pesquisa contínua e carecem de uma solução comum. Cada pesquisador precisa documentar robustamente quaisquer melhorias bem-sucedidas para permitir que o discurso do computador humano interação para acordar uma abordagem comum. Isso sempre vai estar em desacordo com considerações comerciais. R EFERÊNCIASR EFERÊNCIAS [1] CI Nass, e S. Brave, Wired para o discurso: Como voz ativa e avança o relacionamento [1] CI Nass, e S. Brave, Wired para o discurso: Como voz ativa e avança o relacionamento humano-computador: MIT Press Cambridge, 2005. [2] Y.-P. Yang, “Um Distribuído plataforma inovadora reconhecimento de fala para portátil, [2] Y.-P. Yang, “Um Distribuído plataforma inovadora reconhecimento de fala para portátil, personalizado e Humanizados dispositivos sem fio”, Linguística Computacional e Processamento de Língua Chinesa, vol. 9, no. 2, pp. 77-94, 2004. [3] JP Campbell Jr, “o reconhecimento Palestrante: um tutorial,” Proceedings of the IEEE, vol. 85, no. 9, pp. [3] JP Campbell Jr, “o reconhecimento Palestrante: um tutorial,” Proceedings of the IEEE, vol. 85, no. 9, pp. 1.437-1.462, 1997. [4] CH. Lee, "Do conhecimento-ignorante para modelagem rica em conhecimento: um 1.437-1.462, 1997. [4] CH. Lee, "Do conhecimento-ignorante para modelagem rica em conhecimento: um novo paradigma de pesquisa discurso para a próxima geração de reconhecimento de voz automático", de 2004. [5] V. Bhargava, e N. Maheshwari, “Um Sistema de Reconhecimento de Voz Inteligente para Sistema 2004. [5] V. Bhargava, e N. Maheshwari, “Um Sistema de Reconhecimento de Voz Inteligente para Sistema de Educação”, de 2009. [6] E. Loper, e S. Pássaro "NLTK: O kit de ferramentas de linguagem natural." pp. de Educação”, de 2009. [6] E. Loper, e S. Pássaro "NLTK: O kit de ferramentas de linguagem natural." pp. 63-70, 2002. [7] S. Pássaro "NLTK: o kit de ferramentas de linguagem natural." pp. 69-72, 2006.[7] S. Pássaro "NLTK: o kit de ferramentas de linguagem natural." pp. 69-72, 2006. [8] AM Galvão, FA Barros, AM Neves, e GL Ramalho, "Personaaiml: Uma arquitetura [8] AM Galvão, FA Barros, AM Neves, e GL Ramalho, "Personaaiml: Uma arquitetura desenvolvimento chatterbots com personalidade." pp. 1266-1267, 2004. [9] J. Ratkiewicz, desenvolvimento chatterbots com personalidade." pp. 1266-1267, 2004. [9] J. Ratkiewicz, “Combinação de Sentença Evolutionary para Chatterbots Dana Vrajitoru Computação e Informação em Ciências da Indiana University South Bend, 1700 Mishawaka Ave”, de 2004. [10] MJ Pereira, e L. Coheur, “Just. Chat-uma plataforma de processamento de informação [10] MJ Pereira, e L. Coheur, “Just. Chat-uma plataforma de processamento de informação para ser usado em chatbots “, 2013. [11] DJ Stoner, L. Ford, e M. Ricci, “Simulando Militar para ser usado em chatbots “, 2013. [11] DJ Stoner, L. Ford, e M. Ricci, “Simulando Militar Radio Communications Usando o Reconhecimento de Voz e Chat-Bot Tecnologia,” 2003. [12] K. Meffert, "Apoiar padrões de projeto com anotações." pp. 8 pp.-[12] K. Meffert, "Apoiar padrões de projeto com anotações." pp. 8 pp.- 445 de 2006. [13] D. Mladenić, e L. Bradeško, “Uma pesquisa de sistema Chabot através de uma competição [13] D. Mladenić, e L. Bradeško, “Uma pesquisa de sistema Chabot através de uma competição loebner prémio”, 2012. [14] AM Turing, “máquinas e inteligência computacional,” Mente, pp. 433-loebner prémio”, 2012. [14] AM Turing, “máquinas e inteligência computacional,” Mente, pp. 433- 460, 1950. [15] B. Kirkpatrick, e B. Klingner, “Turing" s Imitação do jogo: uma discussão com o benefício de [15] B. Kirkpatrick, e B. Klingner, “Turing" s Imitação do jogo: uma discussão com o benefício de corça-passeios,”claro Berkeley Ciência da Computação. Ver http: // www. cs. Berkeley. edu / ~ Christos / clássicos / ttest. pdf Acessado, vol. 1, pp. 13, 2009. [16] P. Hingston, “Um teste de Turing para bots de jogos de computador,” Inteligência [16] P. Hingston, “Um teste de Turing para bots de jogos de computador,” Inteligência Computacional e AI em Jogos, IEEE Transactions on, vol. 1, n. 3, pp. 169-186, 2009. [17] R. Computacional e AI em Jogos, IEEE Transactions on, vol. 1, n. 3, pp. 169-186, 2009. [17] R. Higashinaka, K. Imamura, T. Meguro, C. Miyazaki, N. Kobayashi, H. Sugiyama, T. Hirano, T. Makino, Y. e Matsuo, "Para um sistema de conversação domínio totalmente aberta com base no naturais língua processamento", 2014. [18] B. processamento", 2014. [18] B. Wilcox, "Ganhando a Loebner de ", http://www.gamasutra.com/blogs/BruceWilcox/20141020/228091/Winn ing_the_Loebners.php, 2014. [19] R. Wallace, “Os elementos de estilo AIML,” Alice AI ing_the_Loebners.php, 2014. [19] R. Wallace, “Os elementos de estilo AIML,” Alice AI Foundation, 2003. [20] M. d. GB Marietto, RV de Aguiar, G. d. O. Barbosa, WT Botelho,Foundation, 2003. [20] M. d. GB Marietto, RV de Aguiar, G. d. O. Barbosa, WT Botelho, E. Pimentel, R. d. S. França, e VL da Silva, “Artificial Intelligence Markup Language: um breve tutorial,” arXiv arXiv pré-impressão: 1307.3091, 2013. [21] W. Kim, “On otimizar uma consulta aninhada SQL-like,” ACM Transactions em Sistemas de [21] W. Kim, “On otimizar uma consulta aninhada SQL-like,” ACM Transactions em Sistemas de Banco de Dados (TODS), vol. 7, n °. 3,pp. 443-469, 1982. [22] P. Van Rosmalen, J. Banco de Dados (TODS), vol. 7, n °. 3, pp. 443-469, 1982. [22] P. Van Rosmalen, J. Eikelboom, E. Bloemers, K. Van Winzum, e P. Spronck, “Rumo a um jogo de Chatbot: Estendendo o Interaction no Serious Games”, de 2012. [23] AS Lokman, e JM Zain, "Um Estendendo o Interaction no Serious Games”, de 2012. [23] AS Lokman, e JM Zain, "Um projeto arquitetônico de nutricionista Virtual (VIDI) para pacientes diabéticos." pp. 408-411, 2009. [24] AS Lokman, e JM Zain, “Extensão e pré-requisito: Um algoritmo para permitir 2009. [24] AS Lokman, e JM Zain, “Extensão e pré-requisito: Um algoritmo para permitir relações entre respostas em tecnologia chatbot,” Journal of Computer Science, vol. 6, no. 10, pp. 1212, 2010. [25] AS Lokman, e JM Zain, “One-Jogo e All-Match Categorias para 10, pp. 1212, 2010. [25] AS Lokman, e JM Zain, “One-Jogo e All-Match Categorias para Palavras-chave correspondente na Chatbot,” American Journal of Applied Sciences, vol. 7, n °. 10, pp. 1406, 2010. [26] FA Mikic, JC Burguillo, M. lamas, DA Rodriguez, e E. n °. 10, pp. 1406, 2010. [26] FA Mikic, JC Burguillo, M. lamas, DA Rodriguez, e E. Rodriguez, "Charlie:. Uma base Chatterbot-AIML que funciona como uma interface entre INES e seres humanos" pp. 1-6, 2009. [27] D. Vrajitoru, "construção de frase Evolutionary INES e seres humanos" pp. 1-6, 2009. [27] D. Vrajitoru, "construção de frase Evolutionary para chatterbots." pp. 315- 321 de 2003.
Compartilhar