AWS测试语义分析器 将语音助手模型的性能提升了

“Alexa，关灯，播放音乐。”当语音助手收到复杂的行为命令时，我该怎么办？ AWS最近集成了迁移学习和复制机制，以构建一个可以理解多个意图指令的语义分析器。

传统上，Alexa根据意图和插槽解释用户请求。例如，若是用户说“Alexa，播放Marvin Gaye's What's Going On？”，请求的目的是播放音乐，歌曲名称和艺术家名称将填充。然而，插槽信息，这样一个简单的机制没法处理多个意图的指令，如“Alexa，添加花生酱和牛奶到购物清单，播放音乐”，处理这样的指令，你须要可以分析句子结构和内容的语义解析器。

可是，使用机器学习来构建语义分析器很是困难，由于训练数据必须具备复杂的标记。为了解决这个问题，AWS集成了两种技术：迁移学习和复制机制。迁移学习能够减小构建机器。学习模型所需的数据量，将现有模型的知识传递给新模型，而复制机制容许模型处理从未见过的单词，例如特定的歌手姓名，这在培训中数据。稀疏的状况很是重要。

AWS在两个任务中测试语义分析器，天然语言理解和问答。在与天然语言理解相关的测试中，AWS发现只有复制机制才能将总体模型的平均正确率提升61％。此外，移民学习能够增长6.4％。在回答问题的任务中，AWS使用了两个包含自由格式问题的公共数据集。SBF胜博发测试结果代表，迁移学习将模型的性能提升了10.8％。