Chatbot

Om de tekst die wordt ingevoerd in de chatbot te kunnen lezen en begrijpen moet deze worden verwerkt. Hiervoor wordt deze tekst ontleed in verschillende onderdelen, wordt een boomstructuur opgesteld, en wordt deze gekoppeld met andere teksten en vraag/antwoord combinaties om semantische verbanden te ontdekken. Op basis van deze techniek worden relationele contexten ontdekt en kan het algoritme hierop betekenisvolle antwoorden geven. Er zijn twee veel gebruikte manieren waarop Trendskout dit antwoord kan opstellen, Natural Language Generation (NLG) en Classificatie.

NLG-technieken kunnen zelfstandig, op basis van trainingsdata, teksten genereren die lijken op antwoorden zoals mensen die zouden opstellen. Dit is een zeer geavanceerde techniek die steunt op de recentste ontwikkelingen in Deep Learning en hybride neurale netwerken. NLG-algoritmes zijn erg krachtig maar vereisen zeer grote hoeveelheden trainingsdata, indien de trainingsdata niet groot of kwalitatief genoeg is zullen de gegenereerde teksten weinig betekenisvol zijn. Voor de meeste organisaties is het daarom aangewezen om te werken met een andere gebruiksklare analysevorm voor chatbots, Tekst en antwoord classificatie.

Deze methode maakt gebruikt van een aangepaste vorm van tekst classificatie. In een trainingsfase worden verschillende vraag-antwoord combinaties door algoritmes in Trendskout geanalyseerd en wordt een model opgesteld om het meest geschikte antwoord te kunnen geven op een vraag. Hierbij mag de vraag afwijken van de vorm en inhoud uit de trainingsdata, door NLP preprocessing wordt de semantische en contextuele betekenis van de vraag geëxtraheerd en niet de originele tekstuele vorm.