Soutenance de thèse de Basma El Amel BOUSSAHA (équipe TALN)

Basma El Amel Boussaha, doctorante au sein de l’équipe TALN, soutiendra sa thèse intitulée « Recherche de réponses pour les systèmes de dialogue basés sur la recherche de réponse de bout en bout » / « Response selection for end-to-end retrieval-based dialogue systems »

mercredi 23 octobre 2019 à 14h, dans l’amphi du bâtiment 34 sur le site de la FST.

Jury :
– Directeur thèse : Emmanuel MORIN
– Co- encadrants : Nicolas HERNANDEZ, Christine JACQUIN
– Examinateurs : Sophie ROSSET (LIMSI), Frédéric BECHET (LIS), Yannick ESTEVE (LIA)

Résumé : Le besoin croissant en assistance humaine a poussé les chercheurs à développer des systèmes de dialogue automatiques, intelligents et infatigables qui conversent avec les humains dans un langage naturel pour devenir soit leurs assistants virtuels ou leurs compagnons. L’industrie des systèmes de dialogue est devenue populaire cette dernière décennie, ainsi, plusieurs systèmes ont été développés par des industriels comme des académiques. Dans le cadre de cette thèse, nous étudions les systèmes de dialogue orientés vers la tâche comme la réservation de restaurants en cherchant la réponse la plus appropriée à la conversation parmi un ensemble de réponses prédéfini. Le défi majeur de ces systèmes est la compréhension de la conversation et l’identification des éléments qui décrivent le problème et la solution qui sont souvent implicites. La plupart des approches
récentes sont basées sur des techniques d’apprentissage profond qui permettent de capturer des informations implicites. Souvent, ces approches sont complexes ou dépendent fortement du domaine. Nous proposons une approche de recherche de réponse de bout en bout, simple, efficace et indépendante du domaine et qui permet de capturer ces informations implicites. Nous effectuons également des analyses profondes afin de déterminer des pistes d’amélioration.

Mot-clés : Apprentissage profond, systèmes de dialogue orientés tâche, chatbots, systèmes de recherche, réseaux de neurones

**********

Abstract: The increasing need of human assistance pushed researchers to develop automatic, smart and tireless dialogue systems that can converse with humans in natural language to be either their virtual assistant or their chat companion. The industry of dialogue systems has been very popular in the last decade and many systems from industry and academia have been developed. In this thesis, we study task-oriented retrieval-based dialogue systems which aim to fulfill a specific task such as restaurant booking by retrieving the most appropriate response to the conversation among a set of predefined responses. The main challenge of these systems is to understand the conversation and identify the elements that describe the problem and the solution which are usually implicit. Most of the recent approaches are based on deep learning techniques which can automatically capture implicit information. However these approaches are either complex or domain dependent. We propose a simple, end-to-end and efficient retrieval-based dialogue system that first matches the response with the history of the conversation on the sequencelevel and then we extend the system to multiple levels while keeping the architecture simple and domain independent. We perform several deep analyzes to determine possible improvements.

Keywords: Deep learning, goal-oriented dialogue systems, chatbots, retrieval-systems, neural networks