대화형 에이전트는 인간이 사용하는 자연언어를 통하여 사용자와 시스템 사이에서 정보를 주고받는 에이전트이며, 대화를 통해서 사용자의 의도를 이해하고 적절한 행동을 취하여 사용자가 목적을 달성하도록 돕는다. 전통적인 대화형 에이전트는 패턴매칭 기술을 통해 사용자의 질의를 분석하여 미리 준비된 답변을 제공한다. 미리 설계된 질의에 대해서 정확히 일치하는 경우에만 답변을 제공하기 때문에 대화 유형이 매우 단순하다. 또한 얼마나 많은 양의 답변 문장을 보유하느냐로 그 답변 성능이 결정되고 많은 양의 답변을 사전에 구축해두어야 한다. 실제 사람 사이의 대화에서는 사용자의 배경지식이나 대화의 문맥을 고려하여야만 질의의 의도를 이해할 수 있는 경우가 빈번하며, 대화를 통해 새로운 지식을 서로가 습득한다. 보통 대화형 에이전트가 이러한 면을 고려하지 않고 설계되어 단순 질의 답변만을 처리하는데 한계가 있다. 본 논문에서는 대화형 에이전트가 다양한 유형의 대화를 처리하도록 대화 관리 ...
대화형 에이전트는 인간이 사용하는 자연언어를 통하여 사용자와 시스템 사이에서 정보를 주고받는 에이전트이며, 대화를 통해서 사용자의 의도를 이해하고 적절한 행동을 취하여 사용자가 목적을 달성하도록 돕는다. 전통적인 대화형 에이전트는 패턴매칭 기술을 통해 사용자의 질의를 분석하여 미리 준비된 답변을 제공한다. 미리 설계된 질의에 대해서 정확히 일치하는 경우에만 답변을 제공하기 때문에 대화 유형이 매우 단순하다. 또한 얼마나 많은 양의 답변 문장을 보유하느냐로 그 답변 성능이 결정되고 많은 양의 답변을 사전에 구축해두어야 한다. 실제 사람 사이의 대화에서는 사용자의 배경지식이나 대화의 문맥을 고려하여야만 질의의 의도를 이해할 수 있는 경우가 빈번하며, 대화를 통해 새로운 지식을 서로가 습득한다. 보통 대화형 에이전트가 이러한 면을 고려하지 않고 설계되어 단순 질의 답변만을 처리하는데 한계가 있다. 본 논문에서는 대화형 에이전트가 다양한 유형의 대화를 처리하도록 대화 관리 모듈, 지식 학습 모듈과 사용자 모델링 모듈로 나누어 시스템을 설계하였다. 기존의 대화형 에이전트가 수행하였던 단순질의 답변뿐만 아니라 문맥을 고려한 답변도 가능하게 하였고, 답변 문장이 준비되어 있지 않은 새로운 정보가 입력되었을 경우에는 대화를 통해서 답변 문장을 직접 생성하도록 하였다. 또한 보다 세밀하고 유연한 사용자 의도 추론을 위해 사용자 질의에 포함된 키워드와 문형 정보를 고려하고 베이지안 네트워크와 순차 패턴매칭을 단계적으로 적용하였다. 두 가지 추론 기법을 단계적으로 적용함으로써 질의 분석을 보다 세부적으로 하였고, 지식 구조의 설계를 보다 용이하게 하였다. 대화 속에서 사용자의 의도를 보다 정확하게 파악하기 위해 베이지안 네트워크의 추론을 위한 변수를 대화 중에 조정하고 대화의 문맥을 모델링하여 의도 추론 시 적절히 활용한다. 다양한 유형의 대화를 통해 제안하는 대화 에이전트의 정성적인 성능을 분석하고 다양한 사용자 평가를 수행하여 제안하는 지능형 대화 에이전트의 성능을 정량적으로 측정하였다.
대화형 에이전트는 인간이 사용하는 자연언어를 통하여 사용자와 시스템 사이에서 정보를 주고받는 에이전트이며, 대화를 통해서 사용자의 의도를 이해하고 적절한 행동을 취하여 사용자가 목적을 달성하도록 돕는다. 전통적인 대화형 에이전트는 패턴매칭 기술을 통해 사용자의 질의를 분석하여 미리 준비된 답변을 제공한다. 미리 설계된 질의에 대해서 정확히 일치하는 경우에만 답변을 제공하기 때문에 대화 유형이 매우 단순하다. 또한 얼마나 많은 양의 답변 문장을 보유하느냐로 그 답변 성능이 결정되고 많은 양의 답변을 사전에 구축해두어야 한다. 실제 사람 사이의 대화에서는 사용자의 배경지식이나 대화의 문맥을 고려하여야만 질의의 의도를 이해할 수 있는 경우가 빈번하며, 대화를 통해 새로운 지식을 서로가 습득한다. 보통 대화형 에이전트가 이러한 면을 고려하지 않고 설계되어 단순 질의 답변만을 처리하는데 한계가 있다. 본 논문에서는 대화형 에이전트가 다양한 유형의 대화를 처리하도록 대화 관리 모듈, 지식 학습 모듈과 사용자 모델링 모듈로 나누어 시스템을 설계하였다. 기존의 대화형 에이전트가 수행하였던 단순질의 답변뿐만 아니라 문맥을 고려한 답변도 가능하게 하였고, 답변 문장이 준비되어 있지 않은 새로운 정보가 입력되었을 경우에는 대화를 통해서 답변 문장을 직접 생성하도록 하였다. 또한 보다 세밀하고 유연한 사용자 의도 추론을 위해 사용자 질의에 포함된 키워드와 문형 정보를 고려하고 베이지안 네트워크와 순차 패턴매칭을 단계적으로 적용하였다. 두 가지 추론 기법을 단계적으로 적용함으로써 질의 분석을 보다 세부적으로 하였고, 지식 구조의 설계를 보다 용이하게 하였다. 대화 속에서 사용자의 의도를 보다 정확하게 파악하기 위해 베이지안 네트워크의 추론을 위한 변수를 대화 중에 조정하고 대화의 문맥을 모델링하여 의도 추론 시 적절히 활용한다. 다양한 유형의 대화를 통해 제안하는 대화 에이전트의 정성적인 성능을 분석하고 다양한 사용자 평가를 수행하여 제안하는 지능형 대화 에이전트의 성능을 정량적으로 측정하였다.
Conversational agent is a system that provides user with proper information and maintains the context of dialogue based on natural language. This paper proposes module-based approach for designing conversational agent in order to construct an effective conversational agent which covers various types...
Conversational agent is a system that provides user with proper information and maintains the context of dialogue based on natural language. This paper proposes module-based approach for designing conversational agent in order to construct an effective conversational agent which covers various types of dialogues. The proposed conversational agent is composed of 3 modules: dialogue management module, knowledge acquisition module, and user modeling module. With this structure, it manages not only simple answer, but also a dialogue that considers context. Moreover, it learns an answer through dialogue when a user inputs a new information or query which is not manageable. Keyword and dialogue act are extracted from the query, and inference engine composed of bayesian network and sequential pattern matching makes the inference of user's intention more detailed and flexible. And as user modeling, the update of bayesian network makes it more accurate to infer the user's intention. Actually implementing it for an information provider, we can confirm the usefulness of the proposed architecture for conversational agent.
Conversational agent is a system that provides user with proper information and maintains the context of dialogue based on natural language. This paper proposes module-based approach for designing conversational agent in order to construct an effective conversational agent which covers various types of dialogues. The proposed conversational agent is composed of 3 modules: dialogue management module, knowledge acquisition module, and user modeling module. With this structure, it manages not only simple answer, but also a dialogue that considers context. Moreover, it learns an answer through dialogue when a user inputs a new information or query which is not manageable. Keyword and dialogue act are extracted from the query, and inference engine composed of bayesian network and sequential pattern matching makes the inference of user's intention more detailed and flexible. And as user modeling, the update of bayesian network makes it more accurate to infer the user's intention. Actually implementing it for an information provider, we can confirm the usefulness of the proposed architecture for conversational agent.
Keyword
#대화형 에이전트 대화 베이지안 네트워크 순차패턴매칭 지식 학습 사용자 모델링 능동적 대화 Conversational agent Dialogue Bayesian network Sequential pattern matching Knowledge acquisition User modeling Active conversation
학위논문 정보
저자
홍진혁
학위수여기관
연세대학교 대학원
학위구분
국내석사
학과
컴퓨터과학·산업시스템공학과
지도교수
조성배
발행연도
2003
총페이지
v, 51p.
키워드
대화형 에이전트 대화 베이지안 네트워크 순차패턴매칭 지식 학습 사용자 모델링 능동적 대화 Conversational agent Dialogue Bayesian network Sequential pattern matching Knowledge acquisition User modeling Active conversation
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.