Título
Construction of a disaster-support dynamic knowledge chatbot
Autor
Boné, João Miguel Baptista
Resumo
pt
Esta dissertação visa a conceção de um sistema de chatbot de apoio a desastres, com a
capacidade de aumentar a resiliência dos cidadãos e socorristas nestes cenários, através
da recolha e processamento de informação de fontes de crowdsensing, e informar os seus
utilizadores com conhecimentos relevantes sobre os desastres detetados, e como lidar com
eles.
Este sistema é composto por dois artefactos que interagem através de uma base de
conhecimento baseada em grafos. O primeiro artefacto é um sistema de extração de conhecimento
relacionado com desastres, que utiliza redes sociais como forma de explorar o
conceito humans as sensors. Este artefacto consiste numa sequência de ferramentas de
processamento de língua natural, e uma mistura de redes neuronais convolucionais e modelos
baseados em léxicos, para classificar e extrair informação sobre desastres. A informação
extraída é então passada para o grafo de conhecimento. O segundo artefacto, o chatbot de
apoio a desastres, utiliza uma arquitetura Dual Intent Entity Transformer (DIET) para
classificar as intenções dos utilizadores, e faz uso de várias políticas de diálogo para gerir
as conversas, bem como armazenar informação chave. Para gerar respostas, o chatbot
utiliza conhecimento local relacionado com desastres, e infere o grafo de conhecimento
para extrair o conhecimento inserido pelo primeiro artefacto.
De acordo com os resultados alcançados, o nosso sistema está ao nível do estado da
arte em sistemas de extração de informação sobre desastres. Ambos os artefactos foram
também validados por especialistas da área, e considerados um contributo significativo na
gestão de desastres.
en
This dissertation is aimed at devising a disaster-support chatbot system with the capacity
to enhance citizens and first responders’ resilience in disaster scenarios, by gathering and
processing information from crowd-sensing sources, and informing its users with relevant
knowledge about detected disasters, and how to deal with them.
This system is composed of two artifacts that interact via a mediator graph-structured
knowledge base. Our first artifact is a crowd-sourced disaster-related knowledge extraction
system, which uses social media as a means to exploit humans behaving as sensors. It
consists in a pipeline of natural language processing (NLP) tools, and a mixture of convolutional
neural networks (CNNs) and lexicon-based models for classifying and extracting
disasters. It then outputs the extracted information to the knowledge graph (KG), for
presenting connected insights. The second artifact, the disaster-support chatbot, uses
a state-of-the-art Dual Intent Entity Transformer (DIET) architecture to classify user
intents, and makes use of several dialogue policies for managing user conversations, as
well as storing relevant information to be used in further dialogue turns. To generate
responses, the chatbot uses local and official disaster-related knowledge, and infers the
knowledge graph for dynamic knowledge extracted by the first artifact.
According to the achieved results, our devised system is on par with the state-of-the-
art on Disaster Extraction systems. Both artifacts have also been validated by field
specialists, who have considered them to be valuable assets in disaster-management.