如何让Alexa能够理解对话意图？Amazon找到新方法让语音助理更懂你

对话中会有不同的领域，同样的字句在不同领域中，意思也不相同，Amazon近期为了能让Alexa准确理解用户所说的话，做出正确的回应，采用了新方法来评估对话中语句的领域和意图，建立re-ranking系统，让每个领域的模型，独立产生自己的权重，Amazon也将这次的研究成果，发表于今年的IEEE口语技术（Spoken Language Technologies）研讨会中。

“Alexa，播放欢乐满人间（Mary Poppins）。”当用户对语音助理Alexa说出这类的指令时，系统必须快速且正确地判断用户指的是书、电影，还是音乐，Alexa有几个核心的领域，像是书籍、影片、电影等，这些领域都有各自的自然语言理解模型，来评估用户请求的意图，不过，这些模型是用不同的资料训练，因此，各个模型的评估的结果可能不相容，要以哪一个模型的判断来当作决策，就是一个问题。

针对这项问题，一般的方法是训练一套机器学习系统，透过权重机制，比较多个领域的模型，来判断最佳的可能性，但是Amazon采用了不同的方法，Amazon称之为re-ranking，让每个领域的模型，独立产生自己的权重，这项方法的好处在于每个领域可以更新自己的权重系统，且多个领域模型能够平行展示更新，让处理流程更有效率，Amazon目前已将这个方法导入产品中。

Amazon的re-ranking方法收集了特定领域假设的排名清单，根据自然语言理解模型给予信心评分，并用权重的学习资料集重新排名，这些权重不只可用于领域分类的概率，Alexa的自然语言理解模型也需要分类语句的意图和行为，举例来说，在音乐的领域中，若系统接收到“播放Thriller”的指示，会连接到PlayMusic意图，而不是CreateList意图，但是满足执行意图的条件所输入的参数Slot，则是可能会将Thriller分类成AlbumName和SongName，在训练特定领域re-ranker的过程中，Amazon不只输入每个语句领域的分类概率，还加入了可能的意图和slot假设，因为在重新排名的过程中，无法确定领域评分和意图评分哪一个比较重要，这些系统会在训练的过程中学习，并针对领域、意图和slot，产生独立的权重。

在实验中，Amazon利用多项评估标准或是损失函数（Loss Function），来训练re-ranker 模型，第一个损失函数仰赖语意错误（semantic error）指标，该指标会结算分类假设的错误，并将其结果用意图和slot正确的分类来区别，举例来说，如果一个语句有一个意图和两个slot，评估结果产生1个正确意图和1个正确的slot，则语意错误分数是1/3。

第一个损失函数称为预期语义错误（expected semantic error），针对语义错误的高低来排名，第二个损失函数是交叉熵（cross-entropy）函数，该函数避免相对较细微的语义错误测量，标记给定的假设结果是否是真实质，不过，该函式有奖惩机制，对获得高信心度分数的错误假设，会给予严厉的惩罚，而给予获得高信心度分数的真实假设大量的奖励。Amazon透过这两个函数来调整跨域的评估分数，用权重来校正过度自信的分数，再用奖惩制度分辨真实假设的能力如此奢侈，也可以防止过度补偿（overcompensation）的问题。

此外，在第三个损失函数中，Amazon整合了前面两个函数，用3种损失函数训练系统，并比较其结果，在所有三种损失函数上训练的系统与根本不使用特定于域的权重的系统进行比较，研究结果显示，损失函数的组合能够产生最佳校准效果，目前Amazon在产品中即是使用组合的损失函数，来提供用户最佳使用体验。