As shown in Table 3, the Smart Repl

As shown in Table 3, the Smart Reply LSTM significantly
improves on the Frequency baseline, demonstrating that conditioning on the original message is effective; the model successfully extracts information from the original message and
uses it to rank responses more accurately.
It also significantly outperforms the Multiclass-BOW baseline. There are a few possible explanations for this. First,
the recurrent architecture allows the model to learn more
sophisticated language understanding than bag of words features. Second, when we pose this as a mulitclass prediction
problem, we can only train on messages whose response is
in R, a small fraction of our data. On the other hand, the
sequence-to-sequence framework allows us to take advantage
of all data in our corpus: the model can learn a lot about
original-response relationships even when the response does
not appear in R exactly

Kết quả (Việt) 1:

Như thể hiện trong bảng 3, LSTM trả lời thông minh đáng kểcải thiện trên tần số cơ, chứng tỏ rằng lạnh trên thư gốc là có hiệu quả; Mô hình thành công chiết xuất thông tin từ thư gốc vàsử dụng nó để đánh giá các phản ứng chính xác hơn.Nó cũng đáng kể nhanh hơn so với đường cơ sở Multiclass-BOW. Không có một vài có thể giải thích cho việc này. Đầu tiên,kiến trúc thường xuyên cho phép các mô hình để tìm hiểu thêmngôn ngữ tinh tế sự hiểu biết hơn túi từ tính năng. Thứ hai, khi chúng tôi đưa ra đây là một dự báo mulitclassvấn đề, chỉ chúng tôi có thể đào tạo trên thư mà phản ứng làtrong R, một phần nhỏ dữ liệu của chúng tôi. Mặt khác, cácThứ tự thứ tự khung cho phép chúng tôi tận dụng lợi thếTất cả dữ liệu trong corpus của chúng tôi: các mô hình có thể học rất nhiều vềphản ứng ban đầu mối quan hệ ngay cả khi thực hiện các phản ứngkhông xuất hiện trong R chính xác

Kết quả (Việt) 2:

Như thể hiện trong Bảng 3, Reply LSTM thông minh đáng kể
cải thiện trên cơ sở tần số, chứng minh rằng điều trên thông báo ban đầu có hiệu quả; mô hình chiết xuất thành công thông tin từ thư gốc và
sử dụng nó để xếp hạng các câu trả lời chính xác hơn.
Nó còn tốt hơn đáng kể các cơ sở nhiều lớp-BOW. Có một vài cách giải thích cho việc này. Đầu tiên,
các kiến trúc tái phát cho phép các mô hình để tìm hiểu thêm
sự hiểu biết ngôn ngữ phức tạp hơn so với túi của từ tính năng. Thứ hai, khi chúng tôi đặt ra điều này như một dự đoán mulitclass
vấn đề, chúng ta có thể chỉ đào tạo về thông điệp mà câu trả lời là
trong R, một phần nhỏ trong dữ liệu của chúng tôi. Mặt khác, các
khuôn khổ chuỗi-to-tự cho phép chúng tôi để tận dụng lợi thế
của tất cả các dữ liệu trong ngữ liệu của chúng tôi: các mô hình có thể học được rất nhiều về
mối quan hệ ban đầu phản ứng, ngay cả khi các phản ứng không
không xuất hiện trong R chính xác