AWS測試語義分析器 將語音助手模型的性能提升了

「Alexa，關燈，播放音樂。」當語音助手收到複雜的行爲命令時，我該怎麼辦？ AWS最近集成了遷移學習和複製機制，以構建一個可以理解多個意圖指令的語義分析器。

傳統上，Alexa根據意圖和插槽解釋用戶請求。例如，若是用戶說「Alexa，播放Marvin Gaye's What's Going On？」，請求的目的是播放音樂，歌曲名稱和藝術家名稱將填充。然而，插槽信息，這樣一個簡單的機制沒法處理多個意圖的指令，如「Alexa，添加花生醬和牛奶到購物清單，播放音樂」，處理這樣的指令，你須要可以分析句子結構和內容的語義解析器。

可是，使用機器學習來構建語義分析器很是困難，由於訓練數據必須具備複雜的標記。爲了解決這個問題，AWS集成了兩種技術：遷移學習和複製機制。遷移學習能夠減小構建機器。學習模型所需的數據量，將現有模型的知識傳遞給新模型，而複製機制容許模型處理從未見過的單詞，例如特定的歌手姓名，這在培訓中數據。稀疏的狀況很是重要。

AWS在兩個任務中測試語義分析器，天然語言理解和問答。在與天然語言理解相關的測試中，AWS發現只有複製機制才能將總體模型的平均正確率提升61％。此外，移民學習能夠增長6.4％。在回答問題的任務中，AWS使用了兩個包含自由格式問題的公共數據集。SBF勝博發測試結果代表，遷移學習將模型的性能提升了10.8％。