@inproceedings{riou-etal-2017-apprentissage,
title = "Apprentissage en ligne interactif d{'}un g{\'e}n{\'e}rateur en langage naturel neuronal pour le dialogue homme-machine (On-line Interactive Learning of Natural Language Neural Generation for Human-machine)",
author = "Riou, Matthieu and
Jabaian, Bassam and
Huet, St{\'e}phane and
Lef{\`e}vre, Fabrice",
editor = "Eshkol-Taravella, Iris and
Antoine, Jean-Yves",
booktitle = "Actes des 24{\`e}me Conf{\'e}rence sur le Traitement Automatique des Langues Naturelles. Volume 2 - Articles courts",
month = "6",
year = "2017",
address = "Orl{\'e}ans, France",
publisher = "ATALA",
url = "https://aclanthology.org/2017.jeptalnrecital-court.24",
pages = "192--199",
abstract = "R{\'e}cemment, de nouveaux mod{\`e}les {\`a} base de r{\'e}seaux de neurones r{\'e}currents ont {\'e}t{\'e} propos{\'e}s pour traiter la g{\'e}n{\'e}ration en langage naturel dans des syst{\`e}mes de dialogue (Wen et al., 2016a). Ces mod{\`e}les demandent une grande quantit{\'e} de donn{\'e}es d{'}apprentissage ; or la collecte et l{'}annotation de ces donn{\'e}es peuvent {\^e}tre laborieuses. Pour r{\'e}pondre {\`a} cette probl{\'e}matique, nous nous int{\'e}ressons ici {\`a} la mise en place d{'}un protocole d{'}apprentissage en ligne bas{\'e} sur un apprentissage par renforcement, permettant d{'}am{\'e}liorer l{'}utilisation d{'}un mod{\`e}le initial appris sur un corpus plus restreint g{\'e}n{\'e}r{\'e} par patrons. Dans cette {\'e}tude exploratoire, nous proposons une approche bas{\'e}e sur un algorithme de bandit contre un adversaire, afin d{'}en {\'e}tudier l{'}int{\'e}r{\^e}t et les limites.",
language = "French",
}
<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="riou-etal-2017-apprentissage">
<titleInfo>
<title>Apprentissage en ligne interactif d’un générateur en langage naturel neuronal pour le dialogue homme-machine (On-line Interactive Learning of Natural Language Neural Generation for Human-machine)</title>
</titleInfo>
<name type="personal">
<namePart type="given">Matthieu</namePart>
<namePart type="family">Riou</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Bassam</namePart>
<namePart type="family">Jabaian</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Stéphane</namePart>
<namePart type="family">Huet</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Fabrice</namePart>
<namePart type="family">Lefèvre</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2017-06</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 des 24ème Conférence sur le Traitement Automatique des Langues Naturelles. Volume 2 - Articles courts</title>
</titleInfo>
<name type="personal">
<namePart type="given">Iris</namePart>
<namePart type="family">Eshkol-Taravella</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Jean-Yves</namePart>
<namePart type="family">Antoine</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<originInfo>
<publisher>ATALA</publisher>
<place>
<placeTerm type="text">Orléans, France</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<abstract>Récemment, de nouveaux modèles à base de réseaux de neurones récurrents ont été proposés pour traiter la génération en langage naturel dans des systèmes de dialogue (Wen et al., 2016a). Ces modèles demandent une grande quantité de données d’apprentissage ; or la collecte et l’annotation de ces données peuvent être laborieuses. Pour répondre à cette problématique, nous nous intéressons ici à la mise en place d’un protocole d’apprentissage en ligne basé sur un apprentissage par renforcement, permettant d’améliorer l’utilisation d’un modèle initial appris sur un corpus plus restreint généré par patrons. Dans cette étude exploratoire, nous proposons une approche basée sur un algorithme de bandit contre un adversaire, afin d’en étudier l’intérêt et les limites.</abstract>
<identifier type="citekey">riou-etal-2017-apprentissage</identifier>
<location>
<url>https://aclanthology.org/2017.jeptalnrecital-court.24</url>
</location>
<part>
<date>2017-6</date>
<extent unit="page">
<start>192</start>
<end>199</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T Apprentissage en ligne interactif d’un générateur en langage naturel neuronal pour le dialogue homme-machine (On-line Interactive Learning of Natural Language Neural Generation for Human-machine)
%A Riou, Matthieu
%A Jabaian, Bassam
%A Huet, Stéphane
%A Lefèvre, Fabrice
%Y Eshkol-Taravella, Iris
%Y Antoine, Jean-Yves
%S Actes des 24ème Conférence sur le Traitement Automatique des Langues Naturelles. Volume 2 - Articles courts
%D 2017
%8 June
%I ATALA
%C Orléans, France
%G French
%F riou-etal-2017-apprentissage
%X Récemment, de nouveaux modèles à base de réseaux de neurones récurrents ont été proposés pour traiter la génération en langage naturel dans des systèmes de dialogue (Wen et al., 2016a). Ces modèles demandent une grande quantité de données d’apprentissage ; or la collecte et l’annotation de ces données peuvent être laborieuses. Pour répondre à cette problématique, nous nous intéressons ici à la mise en place d’un protocole d’apprentissage en ligne basé sur un apprentissage par renforcement, permettant d’améliorer l’utilisation d’un modèle initial appris sur un corpus plus restreint généré par patrons. Dans cette étude exploratoire, nous proposons une approche basée sur un algorithme de bandit contre un adversaire, afin d’en étudier l’intérêt et les limites.
%U https://aclanthology.org/2017.jeptalnrecital-court.24
%P 192-199
Markdown (Informal)
[Apprentissage en ligne interactif d’un générateur en langage naturel neuronal pour le dialogue homme-machine (On-line Interactive Learning of Natural Language Neural Generation for Human-machine)](https://aclanthology.org/2017.jeptalnrecital-court.24) (Riou et al., JEP/TALN/RECITAL 2017)
ACL