亚马逊提出新的表征方法，使Alexa的技能选择错误率降低了40%

编译：chux

出品：ATYUN订阅号

亚马逊的研究人员通过使用新颖的数据表征技术，成功地提高了Alexa选择第三方应用程序的能力。在博客文章和随附的论文“Coupled Representation Learning for Domains, Intents and Slots in Spoken Language Understanding”中，Alexa AI部门的亚马逊科学领导者Young-Bum Kim和团队描述了一个为自然语言任务设计的方案，可以将Alexa的技能选择错误率降低40％。

该研究将在本月晚些时候在希腊雅典举行的IEEE口语技术会议上展示。Kim表示，“近年来，数据表示已成为机器学习中的一个重要研究课题，例如，自然语言理解（NLU）系统很少将原始文本作为输入。

相反，它们采用嵌入，数据表示来保留关于文本的语义信息，但是以一致的，形式化的方式来呈现。并且一次又一次地使用嵌入而不是原始文本来提高特定NLU任务的性能。”

新的表征方法利用了Alexa处理请求的方式。正如Kim解释的那样，Alexa首先按照主题区域或域名（例如音乐或天气）对请求进行分类，然后按意图或预期行动对请求进行分类。它们根据定义Alexa如何识别和处理数据的实体的插槽类型重新分类。（例如，使用actor插槽类型的技能可能会根据提供的演员的名称查询影片集锦。）

Kim和共同作者利用自然的分类层次来构建一个AI模型，该模型可以生成插槽表征，意图表征和域表征。这是一个多步骤的过程。

首先，话语通过“de-lexicalizer”，将通用插槽名称替换为插槽值。这些插槽值移动到嵌入层，将它们转换为矢量，使具有相似含义的单词聚集在一起。之后，将嵌入传递给双向长期短期记忆（LSTM）网络。研究人员用涵盖17个领域的246000种表达训练了AI系统。

为了测试其精确度，他们使用其编码作为两阶段技能选择系统的输入。根据Kim的说法，在实验中，它不仅将准确度从90％提高到94％，而且还超越了他们自己设计的三个类似系统。

Kim表示，“我们在技能选择的重要任务上测试我们的方案，根据成千上万的客户要求确定Alexa技能。我们发现我们的方案大大降低了技能选择错误率，这有助于客户与Alexa的互动更加自然，并且令人满意。”