Watson Assistant中的逻辑确定对话框

Question

我想改善ibm的Watson助手结果。 因此，我想知道在Watson Assistant的对话中确定对话的算法。 它是svm算法吗？ 欢迎论文。

Answer 1

Watson Assistant涵盖了许多ML / NLP技术。 因此，这不仅仅是一个算法。 知道它们不会帮助您改善结果。

我想改善ibm的Watson助手结果。

有很多方法。

代表问题。

专注于从最终用户那里获得真正的代表性问题。 不仅使用他们使用的语言，而且还尽可能使用计划在其上使用WA的媒体（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一个客户可能从未问过的意图（即使您认为他们这样做了）。 其次，您将使用类似模式的语言/术语。 这使得WA难以训练。

培训总数

可以用一个问题来训练意图，但是为了获得最佳结果，可以回答10-20个示例问题。 如果意图紧密相关，则需要更多示例。

测试

当前过程是创建所谓的K折交叉验证（ 示例脚本 ）。 如果您的问题具有代表性，那么结果应为您提供一个准确的指标，表明其效果如何。

但是，可能会过度适合训练。 因此，您应该使用盲目设置。 这是所有问题的10-20％（随机样本）。 绝对不要将它们用于训练WA。 然后针对系统运行它们。 盲注+ K折应都落在5％之内。

您可以查看K形折叠的结果以解决问题，但盲目设置则不然。 百叶窗也可能过时。 因此，尝试在2-3个训练周期后创建一个新的盲注集。

最终用户测试。

无论您的系统培训得如何好，我都可以保证当在最终用户面前出现新事物时会弹出。 因此，您应该计划让用户进行测试，然后再将其投入生产。

在让用户进行测试时，请确保他们了解接受培训的一般领域。 您可以使用用户故事来做到这一点，但请尽量避免使用户提出范围狭窄的问题。

例：

• “您的电话无法正常工作，您需要对其进行修复”-很好。 他们会提出您从未见过的问题。
• “手机上的wifi无法正常工作。请问您将如何解决它”。 不好 范围非常狭窄，即使人们不知道这是什么意思，他们也会提到“ wifi”。