亚马逊Alexa研究人员将语义分析性能提高61%

 
据悉，亚马逊的Alexa助手现场复杂命令如何“Alexa，将花生酱和牛奶加入购物清单并播放音乐”?事实证明，有了一些复杂的算法技术。在一篇新发表的论文(“语言理解的实用语义解析”)和随附的博客文章中，亚马逊的Alexa AI研究部门的科学家详细介绍了一个能够提取句子结构和意义的AI系统，即使它的含义和结构也是如此。是复杂的或有点模棱两可。
正如纸质合着者Rahul Goel所解释的那样，该模型的设计得益于两种机器学习技术：传递学习，它从现有的AI系统传递知识，以减少训练新模型所需的数据量，以及复制机制，这使得模型成为可能。处理他们以前从未见过的数据。
传统上，Alexa通过他们的意图(例如，PlayMusic，SongName和ArtistName)和插槽(Marvin Gaye的“What’s Going On?”)来解析请求。但是这种方法需要很多容易出错的手动注释。例如，“将苹果和橙子添加到购物清单和播放音乐”的请求包含两个主要条款(“添加苹果和橙子到购物清单”和“播放音乐”)，它们通过连接“和”连接，编码在数据集为“(和(addToListIntent(add(ItemName(Apples))(ItemName(Oranges))))(PlayMusicIntent(Mediatype(Music))))。”
研究人员选择自动将根据其意图和位置标记的数据转换为解析树，或者描述请求的语法结构的决策树。团队的语义解析器通过一系列移位和缩小操作构造树，其中“移位”移动到输入中的下一个单词，“reduce”指定其在树中的最终位置。一直以来，注意机制跟踪解析器检查的数据，并确定是使用词典中的单词还是复制输入流中的单词。
研究人员报告说，在Alexa相互作用的自然语言理解(NLU)数据测试中，单独的复制机制平均提高了61%的准确率，而转学习进一步提高了6.4%。在一组单独的问答测试中，这些测试采用了两个公共数据集(例如“你可以在外面吃什么餐馆?”或“科比在2004年有多少次抢断?”)，转学习提高了表现10.8%。
“我们的语义分析器提高了自然语言理解和问答任务的性能，这表明它作为表示意义的通用技术的前景，也可能有其他应用，”Rahul Goel写道。
这项工作定于6月在路易斯安那州新奥尔良举行的计算语言学协会第16届北美分会上发表。