1 Pesquisa sobre Técnicas Chatbot Design em Speech

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.