Ordonnancement de r\'eponses dans les syst\`emes de dialogue bas\'e sur une similarit\'e contexte/r\'eponse (Response ranking in dialogue systems based on context-response similarity)
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.
PDF Abstract