Classificação de intenções para um chatbot usando Redes Neurais Convolucionais

Esta é a implementação de Keras para a tarefa de classificação de frases usando CNNs.

O conjunto de dados para a tarefa acima foi obtido do benchmark do projeto Natural Language Understanding

O texto usado para o treinamento se enquadra em seis categorias, a saber, AddToPlaylist, BookRestaurant, GetWeather, RateBook, SearchCreativeWork, SearchScreeningEvent, cada uma com quase 2.000 frases.

Para preparar o conjunto de dados, no diretório principal do projeto, abra o terminal e digite:

$ python prepare_data.py

Verifique Intent_Classification_Keras_Glove.ipynb para a parte de construção e treinamento do modelo. Abaixo está a visão geral do modelo.

Embora RNNs como LSTM e GRU sejam amplamente usados para tarefas de modelagem de linguagem, os CNNs também provaram ser muito mais rápidos para treinar devido à paralelização de dados durante o treinamento e fornecem melhores resultados do que os LSTM. Aqui está uma breve comparação entre os diferentes métodos para resolver a classificação de frases, como pode ser visto que o TextCNN oferece o melhor resultado de todos e também treina mais rápido. Consegui atingir 99% de precisão no conjunto de dados de treinamento e validação em um minuto após 3 épocas quando treinado em uma CPU i7 normal.

O que está por vir?

A classificação da intenção e o reconhecimento da entidade nomeada são as duas partes mais importantes ao criar um chatbot orientado a objetivos.

Existem muitos pacotes python de código aberto para fazer um chatbot, Rasa é um deles. O legal do Rasa é que cada parte da pilha é totalmente personalizável e facilmente intercambiável. Embora o Rasa tenha um excelente suporte integrado para tarefas de classificação de intenções, também podemos especificar nosso próprio modelo para a tarefa, verifique Processing Pipeline para obter mais informações sobre ele.