用切片感知对话系统处理长尾查询
机器学习
2021-04-28 v1 人工智能
摘要
我们已见证 Siri 和 Alexa 等对话式 AI 系统对日常生活的切实助益。这些系统通常依赖随时间演进的机器学习模型以提供优质用户体验。然而模型的开发与改进颇具挑战，因为它们需同时支持高频（头部）与低频（尾部）使用场景，并对特定数据子集或切片要求细粒度建模策略。本文中，我们探索近期提出的基于切片的学习（SBL）（Chen 等，2019）概念，以改进基线对话技能路由系统在关键却属尾部的查询流量上的表现。我们首先定义一组标注函数以为尾部意图生成弱监督数据。随后将基线模型扩展为切片感知架构，以监控并提升模型在所选尾部意图上的性能。应用于某商业对话式 AI 系统的去标识实时流量，实验表明切片感知模型在提升尾部意图模型性能的同时保持了整体表现。
引用
@article{arxiv.2104.13216,
title = {Handling Long-Tail Queries with Slice-Aware Conversational Systems},
author = {Cheng Wang and Sun Kim and Taiwoo Park and Sajal Choudhary and Sunghyun Park and Young-Bum Kim and Ruhi Sarikaya and Sungjin Lee},
journal= {arXiv preprint arXiv:2104.13216},
year = {2021}
}
备注
Published at ICLR 2021 Workshop on Weakly Supervised Learning