Utilisation d'une hybridation de la recherche opérationnelle et de l'apprentissage automatique pour injecter de l'émotion dans un agent conversationne

Abstract

L'émergence d'agents conversationnels occupe une place de plus en plus importante dans notre quotidien. En passant par le soutien technique en ligne automatisé, l'incitation à la vente sur les réseaux sociaux, le clavardage général ou même un certain besoin d'avoir un compagnon d'assistance personnalisée auprès de nous en tout temps, nous nous exposons de plus en plus à une forme ou une autre d'agents conversationnels intelligents. Mais comment s'assurer que ces agents répondent à nos attentes émotionnelles et que les répliques générées soient contrôlées? Dans le cadre de ce projet, nous tentons de répondre à cette question en présentant une manière nouvelle et innovante de combiner la recherche opérationnelle et l'apprentissage machine pour optimiser et contrôler la manière dont un agent conversationnel transmet de l'émotion. Nous avons créé un système, appelé Philia, capable d'être intégré à n'importe quel agent conversationnel afin d'en améliorer les répliques en y injectant de l'émotion. Le système que nous proposons est une première implémentation d'une composition complexe de plusieurs éléments: — Une base de données qui collecte l'impact émotionnel des mots pour une émotion cible (la joie), mais qui peut être éventuellement étendue à d'autres émotions; — Une composante en NLP/NLU (Natural Language Processing/Natural Language Understanding) qui permet de faire des analyses émotionnelle et sentimentale de ces répliques et de mettre la base de données à jour ; — Une composante qui recherche automatiquement sur internet des synonymes et antonymes et met à jour un lexicon; — Une famille de modèles en nombres entiers qui permettent d'optimiser l'injection d'émotion; — Deux boucles rétroactives — une automatique et l'autre impliquant un usager — qui permettent de diriger l'apprentissage. L'optimisation de l'injection d'émotion est effectuée en remplaçant certains mots de la ré-plique originale de l'agent conversationnel par des mots qui élicitent l'émotion cible de manière plus prononcée. Les premiers résultats obtenus démontrent la pertinence de notre approche.

Alternate abstract:

Chatbots are occupying more and more space in our daily lives. Beginning with technical support chatbots, chatbots that are trying to sell merchandise through social media, general conversation chatbots or even our own little assistants following us everywhere through our phones, we expose ourselves to one form or another of these intelligent interactive bots. But how can we ensure that these chatbots are on par with our emotional expectations and that the replies they generate are not getting out of control? In this project, we attempt to answer this question by presenting a new and innovative way of combining operations research and machine learning to optimize and control the way a conversational agent conveys emotion. We have created a system, called Philia, that can be integrated into any conversational agent to enhance its responses by injecting emotion. The system we propose is a first implementation of a complex composition of several elements: — A database that collects the emotional impact of words for a target emotion (joy) but which can be extended to other emotions; — A NLP/NLU (Natural Language Processing/Natural Language Understanding) component that allows for emotional and sentimental analysis of the agent's responses and update of the database; — A component that automatically searches the internet for synonyms and antonyms and updates a lexicon; — A family of mixed integer models to optimize the injection of emotion; — Two feedback loops - one automatic and one involving a user - that control the learning process. The optimization of the emotion injection is performed by replacing some words of the original responses of the conversational agent by words that elicit the target emotion in a more pronounced way. The first results obtained demonstrate the relevance of our approach.