@inproceedings{el-amel-boussaha-etal-2018-ordonnancement,
title = "Ordonnancement de r{\'e}ponses dans les syst{\`e}mes de dialogue bas{\'e} sur une similarit{\'e} contexte/r{\'e}ponse (Response ranking in dialogue systems based on context-response similarity)",
author = "El Amel Boussaha, Basma and
Hernandez, Nicolas and
Jacquin, Christine and
Morin, Emmanuel",
editor = "S{\'e}billot, Pascale and
Claveau, Vincent",
booktitle = "Actes de la Conf{\'e}rence TALN. Volume 1 - Articles longs, articles courts de TALN",
month = "5",
year = "2018",
address = "Rennes, France",
publisher = "ATALA",
url = "https://aclanthology.org/2018.jeptalnrecital-long.9",
pages = "115--128",
abstract = "Construire des syst{\`e}mes de dialogue qui conversent avec les humains afin de les aider dans leurs t{\^a}ches quotidiennes est devenu une priorit{\'e}. Certains de ces syst{\`e}mes produisent des dialogues en cherchant le meilleur {\'e}nonc{\'e} (r{\'e}ponse) parmi un ensemble d{'}{\'e}nonc{\'e}s candidats. Le choix de la r{\'e}ponse est conditionn{\'e} par l{'}historique de la conversation appel{\'e} contexte. Ces syst{\`e}mes ordonnent les {\'e}nonc{\'e}s candidats par leur ad{\'e}quation au contexte, le meilleur est ensuite choisi. Les approches existantes {\`a} base de r{\'e}seaux de neurones profonds sont performantes pour cette t{\^a}che. Dans cet article, nous am{\'e}liorons une approche {\'e}tat de l{'}art {\`a} base d{'}un dual encodeur LSTM. En se basant sur la similarit{\'e} s{\'e}mantique entre le contexte et la r{\'e}ponse, notre approche apprend {\`a} mieux distinguer les bonnes r{\'e}ponses des mauvaises. Les r{\'e}sultats exp{\'e}rimentaux sur un large corpus de chats d{'}Ubuntu montrent une am{\'e}lioration significative de 7, 6 et 2 points sur le Rappel@(1, 2 et 5) respectivement par rapport au meilleur syst{\`e}me {\'e}tat de l{'}art.",
language = "French",
}
<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="el-amel-boussaha-etal-2018-ordonnancement">
<titleInfo>
<title>Ordonnancement de réponses dans les systèmes de dialogue basé sur une similarité contexte/réponse (Response ranking in dialogue systems based on context-response similarity)</title>
</titleInfo>
<name type="personal">
<namePart type="given">Basma</namePart>
<namePart type="family">El Amel Boussaha</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Nicolas</namePart>
<namePart type="family">Hernandez</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Christine</namePart>
<namePart type="family">Jacquin</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Emmanuel</namePart>
<namePart type="family">Morin</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2018-05</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<language>
<languageTerm type="text">French</languageTerm>
<languageTerm type="code" authority="iso639-2b">fre</languageTerm>
</language>
<relatedItem type="host">
<titleInfo>
<title>Actes de la Conférence TALN. Volume 1 - Articles longs, articles courts de TALN</title>
</titleInfo>
<name type="personal">
<namePart type="given">Pascale</namePart>
<namePart type="family">Sébillot</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Vincent</namePart>
<namePart type="family">Claveau</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<originInfo>
<publisher>ATALA</publisher>
<place>
<placeTerm type="text">Rennes, France</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<abstract>Construire des systèmes de dialogue qui conversent avec les humains afin de les aider dans leurs tâches quotidiennes est devenu une priorité. Certains de ces systèmes produisent des dialogues en cherchant le meilleur énoncé (réponse) parmi un ensemble d’énoncés candidats. Le choix de la réponse est conditionné par l’historique de la conversation appelé contexte. Ces systèmes ordonnent les énoncés candidats par leur adéquation au contexte, le meilleur est ensuite choisi. Les approches existantes à base de réseaux de neurones profonds sont performantes pour cette tâche. Dans cet article, nous améliorons une approche état de l’art à base d’un dual encodeur LSTM. En se basant sur la similarité sémantique entre le contexte et la réponse, notre approche apprend à mieux distinguer les bonnes réponses des mauvaises. Les résultats expérimentaux sur un large corpus de chats d’Ubuntu montrent une amélioration significative de 7, 6 et 2 points sur le Rappel@(1, 2 et 5) respectivement par rapport au meilleur système état de l’art.</abstract>
<identifier type="citekey">el-amel-boussaha-etal-2018-ordonnancement</identifier>
<location>
<url>https://aclanthology.org/2018.jeptalnrecital-long.9</url>
</location>
<part>
<date>2018-5</date>
<extent unit="page">
<start>115</start>
<end>128</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T Ordonnancement de réponses dans les systèmes de dialogue basé sur une similarité contexte/réponse (Response ranking in dialogue systems based on context-response similarity)
%A El Amel Boussaha, Basma
%A Hernandez, Nicolas
%A Jacquin, Christine
%A Morin, Emmanuel
%Y Sébillot, Pascale
%Y Claveau, Vincent
%S Actes de la Conférence TALN. Volume 1 - Articles longs, articles courts de TALN
%D 2018
%8 May
%I ATALA
%C Rennes, France
%G French
%F el-amel-boussaha-etal-2018-ordonnancement
%X Construire des systèmes de dialogue qui conversent avec les humains afin de les aider dans leurs tâches quotidiennes est devenu une priorité. Certains de ces systèmes produisent des dialogues en cherchant le meilleur énoncé (réponse) parmi un ensemble d’énoncés candidats. Le choix de la réponse est conditionné par l’historique de la conversation appelé contexte. Ces systèmes ordonnent les énoncés candidats par leur adéquation au contexte, le meilleur est ensuite choisi. Les approches existantes à base de réseaux de neurones profonds sont performantes pour cette tâche. Dans cet article, nous améliorons une approche état de l’art à base d’un dual encodeur LSTM. En se basant sur la similarité sémantique entre le contexte et la réponse, notre approche apprend à mieux distinguer les bonnes réponses des mauvaises. Les résultats expérimentaux sur un large corpus de chats d’Ubuntu montrent une amélioration significative de 7, 6 et 2 points sur le Rappel@(1, 2 et 5) respectivement par rapport au meilleur système état de l’art.
%U https://aclanthology.org/2018.jeptalnrecital-long.9
%P 115-128
Markdown (Informal)
[Ordonnancement de réponses dans les systèmes de dialogue basé sur une similarité contexte/réponse (Response ranking in dialogue systems based on context-response similarity)](https://aclanthology.org/2018.jeptalnrecital-long.9) (El Amel Boussaha et al., JEP/TALN/RECITAL 2018)
ACL