问Watson助手中的逻辑确定对话框

EN

Watson Assistant提供了许多ML/NLP技术。所以这不仅仅是一个单一的算法。了解它们并不会帮助你提高你的结果。

我想改善ibm的Watson助手的效果。

有很多种方法。

代表性问题。

专注于从最终用户那里获得真正具有代表性的问题。不仅在他们使用的语言中，而且如果可能的话，从相同的媒介上，你计划使用WA on (例如。移动设备、Web、音频)。

这是降低准确性的第一个因素。制造意图可能意味着您建立了客户可能永远不会要求的意图(即使您认为他们会这样做)。其次，您将使用具有类似模式的语言/术语。这使得WA更难训练。

培训问题总数

可以用一个问题来训练意图，但为了获得最好的结果，10-20个示例问题。在意图接近的地方，就需要更多的例子。

测试

当前的流程是创建所谓的K折交叉验证(sample script)。如果你的问题具有代表性，那么结果应该给你一个准确的指标，表明它的表现有多好。

但是，有可能过度适应训练。所以你应该使用盲集。这是所有问题(随机样本)的10-20%。它们永远不应该被用来训练WA。然后在系统上运行它们。你的盲人+K折应该落在彼此的5%以内。

你可以查看K折的结果来解决问题，但盲集不应该。百叶窗也会变得陈旧。因此，尝试在2-3个训练周期后创建一个新的盲集。

终端用户测试。

无论您的系统训练得有多好，我可以向您保证，在最终用户面前会出现新的东西。因此，在将其投入生产之前，您应该计划让用户进行测试。

在让用户进行测试时，请确保他们了解已接受培训的一般领域。你可以通过用户故事做到这一点，但尽量不要让用户提出一个范围狭窄的问题。

示例：

• “你的手机坏了，你需要把它修好”--很好。他们会问一些你以前从未见过的问题。
• “你手机上的wifi不能用了。问问你会怎么解决它”。-不好。范围非常狭窄，人们会提到"wifi“，即使他们不知道它是什么意思。