Buchumschlag

Uncovering Customer Issues through Topological Natural Language Analysis

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Pi, Shu-Ting, Srinivasan, Sidarth, Zhu, Yuying, Yang, Michael, Liu, Qun
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computation and Language Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Contact Complexity in Customer Service
von: Pi, Shu-Ting, et al.
Veröffentlicht: (2024)

Universal Model in Online Customer Service
von: Pi, Shu-Ting, et al.
Veröffentlicht: (2024)

Teacher-Student Learning on Complexity in Intelligent Routing
von: Pi, Shu-Ting, et al.
Veröffentlicht: (2024)

Don't Shoot The Breeze: Topic Continuity Model Using Nonlinear Naive Bayes With Attention
von: Pi, Shu-Ting, et al.
Veröffentlicht: (2026)

Layer by Layer: Uncovering Hidden Representations in Language Models
von: Skean, Oscar, et al.
Veröffentlicht: (2025)

Uncovering Competency Gaps in Large Language Models and Their Benchmarks
von: Bohacek, Maty, et al.
Veröffentlicht: (2025)

Natural Language Reinforcement Learning
von: Feng, Xidong, et al.
Veröffentlicht: (2024)

Report Cards: Qualitative Evaluation of Language Models Using Natural Language Summaries
von: Yang, Blair, et al.
Veröffentlicht: (2024)

Uncovering Scaling Laws for Large Language Models via Inverse Problems
von: Verma, Arun, et al.
Veröffentlicht: (2025)

Uncovering Emergent Physics Representations Learned In-Context by Large Language Models
von: Song, Yeongwoo, et al.
Veröffentlicht: (2025)

Paraphrase and Aggregate with Large Language Models for Minimizing Intent Classification Errors
von: Yadav, Vikas, et al.
Veröffentlicht: (2024)

LOLAMEME: Logic, Language, Memory, Mechanistic Framework
von: Desai, Jay, et al.
Veröffentlicht: (2024)

Gaining Wisdom from Setbacks: Aligning Large Language Models via Mistake Analysis
von: Chen, Kai, et al.
Veröffentlicht: (2023)

Logical Closed Loop: Uncovering Object Hallucinations in Large Vision-Language Models
von: Wu, Junfei, et al.
Veröffentlicht: (2024)

Natural Language Reinforcement Learning
von: Feng, Xidong, et al.
Veröffentlicht: (2024)

Longer Context, Deeper Thinking: Uncovering the Role of Long-Context Ability in Reasoning
von: Yang, Wang, et al.
Veröffentlicht: (2025)

Uncovering Deceptive Tendencies in Language Models: A Simulated Company AI Assistant
von: Järviniemi, Olli, et al.
Veröffentlicht: (2024)

Peering Inside the Black Box: Uncovering LLM Errors in Optimization Modelling through Component-Level Evaluation
von: Refai, Dania, et al.
Veröffentlicht: (2025)

Clarify: Improving Model Robustness With Natural Language Corrections
von: Lee, Yoonho, et al.
Veröffentlicht: (2024)

Optimizing Chain-of-Thought Confidence via Topological and Dirichlet Risk Analysis
von: More, Abhishek, et al.
Veröffentlicht: (2025)

Self-Correction Bench: Uncovering and Addressing the Self-Correction Blind Spot in Large Language Models
von: Tsui, Ken
Veröffentlicht: (2025)

Learning to Compress Prompt in Natural Language Formats
von: Chuang, Yu-Neng, et al.
Veröffentlicht: (2024)

Leveraging Large Language Models through Natural Language Processing to provide interpretable Machine Learning predictions of mental deterioration in real time
von: de Arriba-Pérez, Francisco, et al.
Veröffentlicht: (2024)

SELF: Self-Evolution with Language Feedback
von: Lu, Jianqiao, et al.
Veröffentlicht: (2023)

Explicit Diversity Conditions for Effective Question Answer Generation with Large Language Models
von: Yadav, Vikas, et al.
Veröffentlicht: (2024)

On Uncertainty In Natural Language Processing
von: Ulmer, Dennis
Veröffentlicht: (2024)

LaFFi: Leveraging Hybrid Natural Language Feedback for Fine-tuning Language Models
von: Li, Qianxi, et al.
Veröffentlicht: (2023)

Towards Data-efficient Customer Intent Recognition with Prompt-based Learning Paradigm
von: Luo, Hengyu, et al.
Veröffentlicht: (2023)

Protein Language Models Diverge from Natural Language: Comparative Analysis and Improved Inference
von: Hart, Anna, et al.
Veröffentlicht: (2026)

ViCLSR: A Supervised Contrastive Learning Framework with Natural Language Inference for Natural Language Understanding Tasks
von: Van Huynh, Tin, et al.
Veröffentlicht: (2026)

E-Sparse: Boosting the Large Language Model Inference through Entropy-based N:M Sparsity
von: Li, Yun, et al.
Veröffentlicht: (2023)

Can LLMs Help Uncover Insights about LLMs? A Large-Scale, Evolving Literature Analysis of Frontier LLMs
von: Park, Jungsoo, et al.
Veröffentlicht: (2025)

Automating Customer Needs Analysis: A Comparative Study of Large Language Models in the Travel Industry
von: Barandoni, Simone, et al.
Veröffentlicht: (2024)

YODA: Teacher-Student Progressive Learning for Language Models
von: Lu, Jianqiao, et al.
Veröffentlicht: (2024)

Research on Optimization of Natural Language Processing Model Based on Multimodal Deep Learning
von: Sun, Dan, et al.
Veröffentlicht: (2024)

From Signal Degradation to Computation Collapse: Uncovering the Two Failure Modes of LLM Quantization
von: Zhou, Chenxi, et al.
Veröffentlicht: (2026)

Towards Consistent Natural-Language Explanations via Explanation-Consistency Finetuning
von: Chen, Yanda, et al.
Veröffentlicht: (2024)

LILO: Bayesian Optimization with Natural Language Feedback
von: Kobalczyk, Katarzyna, et al.
Veröffentlicht: (2025)

Diversity-driven Data Selection for Language Model Tuning through Sparse Autoencoder
von: Yang, Xianjun, et al.
Veröffentlicht: (2025)

Local Topology Measures of Contextual Language Model Latent Spaces With Applications to Dialogue Term Extraction
von: Ruppik, Benjamin Matthias, et al.
Veröffentlicht: (2024)