Knowledge Graphs and Interactions in Conversational Agents

With the spread of online services and platforms, there is a growing need for methods that grant the fruition of today’s digital world in accessible and natural ways. In a society steeped in the age of big data and computing reality, highly specialized knowledge is often required of people to enjoy these virtual benefits. Unfortunately, such wisdom is very challenging to acquire, also for technicians experienced in the Informative Systems domain. This field branches out into consistently different areas regarding goals and the skills required to achieve them. Moreover, individuals would have to handle vast and complex information shown in a machine-readable shape, which flows into unnatural and often incomprehensible approaches to interacting with digital systems. Virtual Assistants (i.e. Google Assistant, Alexa and Siri) have taken root in solving these problems. In detail, Conversational Agents identify a fitting solution in allowing natural accessibility to online services for a broad audience. Such agents enable the interpretation and response to the users’ statements in ordinary natural language, revolutionizing Human-Computer Interaction through Artificial Intelligence. Although Conversational Artificial Intelligence is not a recent research field, the goals it promotes are far from being fully achieved. Natural Language Processing and Machine Learning techniques have brought significant improvements in the interaction quality offered by conversational agents, both in the ways and in the contents of dialogues. However, people still perceive a certain communication artificiality and difficulty of use when dealing with such systems. The main problems lie in the low adaptability of interaction and understanding of intentions and language towards users. This thesis proposes to dissect the two most complex issues in implementing conversational agents, which regard their interactivity and capability to understand the audience’s intents and languages. In particular, this dissertation collects all the research efforts made so far about the growth of dialogue systems, focusing on Question Answering Systems and Conversational Recommender Systems. It highlights how fundamental the modality and the ways of interacting with conversational agents are to improve user satisfaction. Moreover, we propose Knowledge Graphs based models to enhance the effectiveness of dialogue systems in understanding the human language and the users’ personality. We have also explored some intuitions about the aspect-based sentiment analysis of text to retrieve people’s opinions and emotional states on several topics. Our findings prove that deriving sentiment representations from the text will feed systems with richer informative content, which results in more versatile conversational agents regarding users’ scenarios. Extensive experiments support our proposals, spreading through the previously mentioned analysis dimensions, which evaluate in summary the interactivity, the semantics and the sentiment featuring a conversational system. Finally, this dissertation presents a comprehensive literature review on Interactive Question Answering systems, which also take a picture of the several scenario and findings which still characterize the constant evolution of Conversational Agents.

A causa della diffusione dei servizi e piattaforme digitali si necessitano di metodi che garantiscano la fruizione del mondo digitale odierno in modi accessibili e naturali. In una società che si affida sempre di più ai big data e alla realtà virtuale, una conoscenza estremamente specializzata in materia è spesso richiesta agli utenti che vogliano usufruire dei servizi virtuali. Purtroppo, tale conoscenza è molto complicata da acquisire, anche per gli stessi esperti di dominio dei Sistemi Informativi. Tale ambito si dirama in un consistente numero di aree relativamente gli obiettivi posti e le abilità richieste per raggiungerli. Inoltre, il pubblico dovrebbe essere in grado di gestire informazioni vaste e complesse espresse in formato machine-readable, il ché sfocia in una interazione con i sistemi digitali innaturale e spesso incomprensibile. Gli Assistenti Virtuali (i.e., Google Assistant, Alexa e Siri) hanno preso sempre più piede nella risoluzione di tali problemi. Nello specifico, gli Agenti Conversazionali sono una soluzione più che adatta nel consentire un accesso naturale ai servizi online per un'ampia collettività. Questi agenti rendono possibile l'interpretazione e l'identificazione di una risposta alle richieste degli utenti mediante il linguaggio naturale, rivoluzionando l'interazione Uomo-Macchina attraverso l'Intelligenza Artificiale. Sebbene l'Intelligenza Artificiale Conversazionale non è un campo di ricerca recente, gli obiettivi che lo caratterizzano non sono ancora stati del tutto raggiunti. Le tecniche di Elaborazione del Linguaggio Naturale e quelle di Machine Learning hanno apportato miglioramenti significativi alla qualità dell'interazione offerta dagli agenti conversazionali, sia nelle modalità che nei contenuti di dialogo. Nonostante ciò, il pubblico percepisce ancora una certa artificialità di comunicazione e difficoltà di utilizzo di tali sistemi. I problemi principali giacciono nella scarsa adattabilità di interazione e comprensione degli intenti e del linguaggio degli utenti. Questa tesi propone di dissezionare i due problemi principali relativamente l'implementazione degli agenti conversazionali, in particolare la loro interattività e capacità di comprendere sia gli intenti che il linguaggio degli usufruenti. In particolare, questo documento raccoglie tutti gli sforzi di ricerca fatti finora riguardo lo sviluppo dei sistemi di dialogo, con un focus sui sistemi di Question-Answering e di Raccomandazione Conversazionale. Viene evidenziata l'importanza delle modalità e dei modi di interazione degli agenti conversazionali nel miglioramento della user satisfaction. In aggiunta, si propongono dei modelli basati sui Grafi di Conoscenza per migliorare l'efficacia dei sistemi di dialogo nel comprendere il linguaggio umano così come la soggettività degli utenti. Nei fatti, si è anche esplorato il campo dell'Analisi del Sentiment basata sugli Aspetti di un testo per poter ottenere le opinioni e lo stato emotivo dell'individuo su diversi argomenti. I nostri risultati di ricerca dimostrano che individuare delle rappresentazioni del sentiment dal testo alimenterebbero tali sistemi con informazioni più ricche, che comportano agenti conversazionali più versatili. Esperimenti dettagliati supportano le nostre proposte di ricerca relativamente le dimensioni di analisi succitate, che in sintesi verificano l'interattività, la semantica e il sentiment caratterizzanti un sistema conversazionale. Infine, tale lavoro presenta una minuziosa presentazione della letteratura riguardo i sistemi di Question-Answering Interattivi, che descrive anche il panorama caratterizzante la costante evoluzione degli Agenti Conversazionali.