人工智能中的“话语”是什么？：示例、数据集和最佳实践

你有没有想过当你说“嘿 Siri”或“Alexa”时，聊天机器人和虚拟助手是如何醒来的？ 这是因为软件中嵌入的文本话语收集或触发词，一旦听到编程的唤醒词就会激活系统。

然而，创建声音和话语数据的整个过程并不是那么简单。 这是一个必须使用正确的技术来获得预期结果的过程。 因此，本博客将分享创建与对话 AI 无缝协作的良好话语/触发词的途径。

人工智能中的“话语”是什么？

在对话式 AI（聊天机器人、语音助手）中，话语是一小段用户输入——即用户说出或输入的确切词语。模型使用话语来推断用户的意图（目标）和任何实体（例如日期、产品名称、金额等详细信息）。

简单的例子

电子商务机器人

话语：“追踪我的订单 123-456设立的区域办事处外，我们在美国也开设了办事处，以便我们为当地客户提供更多的支持。“

• 意图：TrackOrder
• 实体：order_id = 123-456

电信机器人

话语：“升级我的数据计划设立的区域办事处外，我们在美国也开设了办事处，以便我们为当地客户提供更多的支持。“

• 意图：变更计划
• 实体：plan_type = data

银行语音助手

话语（口语）：“W我今天的支票余额是多少？=

• 意图：检查余额
• 实体：account_type = 支票，日期 = 今天

为什么你的对话式人工智能需要良好的话语数据

如果您希望聊天机器人或语音助手能够提供帮助，而不是显得脆弱，那就从更优质的话语数据入手。话语是人们为了完成任务而说出或输入的原始短语（“帮我预订明天的房间”、“更改我的计划”、“状态如何？”）。它们能够支持意图分类、实体提取，并最终提升客户体验。当话语多样化、具有代表性且标注清晰时，您的模型就能学习到意图之间的正确界限，并从容应对纷繁复杂的现实世界输入。

构建你的话语存储库：一个简单的工作流程

1. 从真实用户语言开始

矿山 聊天记录、搜索查询、IVR 记录、代理笔记以及客户电子邮件。根据用户目标对它们进行聚类，从而挖掘出意图。（你将捕捉到一些在普通房间里想不到的口语和思维模型。）

2. 有目的地创造变化

对于每个意图，创作不同的示例：

• 改写动词和名词（“取消”、“停止”、“结束”；“计划”、“订阅”）。
• 混合句子长度和结构（疑问句、指示句、片段）。
• 包括拼写错误、缩写、表情符号（用于聊天）、相关代码转换。
• 添加看起来相似但应该 不会 映射到这个意图。

3. 平衡你的课程

训练极度不平衡（例如，一个意图使用 500 个示例，而其他意图使用 10 个示例）会损害预测质量。保持 意图大小相对均匀 并按照交通的教导一起发展它们。

4. 训练前验证质量

阻止低信号数据 验证者 在创作/收集期间：

• 语言检测： 确保示例符合目标语言。
• 乱码检测器： 捕获无意义的字符串。
• 重复/近似重复检查： 保持高度多样化。
• 正则表达式/拼写和语法： 在需要的地方强制执行样式规则。
  智能验证器（Appen 所使用的）可以自动执行大部分把关工作。

5. 一致地标记实体

定义槽类型（日期、产品、地址）并显示注释器 如何划定界限。图案如 图案任意 LUIS 中的可以消除混淆模型的长而可变的跨度（例如文档名称）。

6. 像生产环境一样进行测试

推 看不见 将真实话语发送到预测端点或暂存机器人，检查错误分类，以及 促进 将模糊示例纳入训练。形成一个循环：收集 → 训练 → 复习 → 扩展。

“混乱的现实”到底意味着什么（以及如何处理它）

真实用户很少能说出完美的句子。预期：

• 片段： “退还运费”
• 复合目标： “蓝色表示取消订单并重新下单”
• 隐式实体： “运送到我的办公室”（你必须知道哪个办公室）
• 歧义： “更改我的计划”（哪个计划？何时生效？）

实用修复

• 提供 澄清提示 仅在需要时才询问；避免询问过多。
• 捕获 上下文延续 （代词如“那个命令”、“最后一个”）。
• 使用 VHDL 语言编写 后备意图 并有针对性地恢复：“我可以帮助您取消或更改计划——您想要什么？”
• 显示器 意向健康 （混淆、冲突）并在薄弱之处添加数据