文档建议反馈控制台
首页
学习
活动
专区
圈层
工具
MCP广场
文章/答案/技术大牛
发布
    • 您找到你想要的搜索结果了吗？
    是的
    没有找到

    语音助手减少不必要澄清问题的技术突破

    减少语音助手不必要澄清问题的新方法当两个人在嘈杂环境中交谈时，如果一方没有听清或理解对方的意思，自然反应是请求澄清。语音助手也是如此。...在这些情况下，我们希望减少提出的澄清问题数量。在IEEE自动语音识别与理解研讨会（ASRU）上，我们提出了一项工作，通过训练机器学习模型来确定何时真正需要澄清，从而减少不必要的后续问题。...澄清与否的决策在我们的方法中，我们训练另一个机器学习模型来决定是否提出澄清问题。除了ASR、NLU或HypRank分数的相似性外，该模型还考虑另外两个歧义来源：信噪比（SNR）和截断话语。...连接后的向量传递给分类器，该分类器决定是否发出澄清问题。实验据我们所知，目前没有现有的数据集具有根据准确性标记的多个ASR和NLU假设。...由于数据集中的所有样本都至少具有一种歧义类型，我们的基线是在每种情况下都提出澄清问题。该方法具有零假阴性率（从不会在必要时未能提出澄清问题），但可能具有高假阳性率。

    18810

    一次澄清：数据分析思维五大误区

    误区一：数据分析思维是4P，4C，SWOT，PEST，五力模型…… 澄清：这些太过宏观，完全没法具体分析。 这些概念是营销学、战略管理、产业经济等等课程的理论模型。...、活动、会员、公关、广告……） XX问题（我不知道目前情况，我们发现了XX问题，我们有XX困惑……） 这样才能真正做出有商业价值，而不是自娱自乐的东西来 误区二：数据分析思维是用户留存、用户画像…… 澄清...误区三：数据分析思维是象限法、多维法、二八法、对比法 澄清：这些其实都是一个基础操作→分组对比。 通过分组对比，找到数据差异。...误区四：数据分析思维是漏斗法、多维法 澄清：这些其实是一个基础操作→构建指标体系。 指标背后具体商业动作，指标体系是按商业动作的逻辑，把一顿指标串行/并起来，从而观察商业问题的基本方法。

    2.4K20

    降低语音代理不必要澄清提问的新方法

    降低语音代理不必要澄清提问的新方法当两个人在嘈杂环境中交谈，其中一人若未听清或理解对方意图，很自然地会请求澄清。语音代理（如某中心的Alexa）也是如此。...在这些情况下，我们希望减少提出的澄清性问题数量。...在传统方案中，这些分数中任何一个的微小差异都会自动触发澄清性问题。澄清与否相反，在我们的方法中，我们训练了另一个机器学习模型来决定是否需要提出澄清性问题。...拼接后的向量传递给分类器，由分类器决定是否发出澄清性问题。实验据我们所知，目前没有现成的数据集包含根据准确性标注的多个ASR和NLU假设。...由于数据集中的所有样本都至少具有一种模糊性，我们的基线是在每种情况下都提出澄清性问题。该方法的假阴性率为零——它从未在必要时未能提出澄清性问题——但可能具有很高的假阳性率。

    14410

    语音助手减少不必要澄清提问的技术突破

    减少语音助手不必要澄清问题的新方法在嘈杂环境中，当人们听不清或无法理解对方时，自然会要求澄清。语音助手也是如此。...为避免基于不准确理解执行错误操作，语音助手通常会提出后续澄清问题，例如确认定时器应设置为15分钟还是50分钟。传统方法中，是否提出澄清问题取决于机器学习模型的置信度。...在这些情况下，需要减少澄清问题的数量。在IEEE自动语音识别与理解研讨会（ASRU）上，某机构提出通过训练机器学习模型来确定何时真正需要澄清，从而减少不必要的后续问题。...传统方案中，任何这些分数的微小差异都会自动触发澄清问题。智能澄清决策机制该研究训练了另一个机器学习模型来决定是否提出澄清问题。...数据集中所有样本至少具有一种歧义类型，基线方案是在每种情况下都提出澄清问题。这种方法假阴性率为零，但可能具有高假阳性率。

    27110

    语音助手减少不必要澄清提问的技术突破

    减少语音助手不必要的澄清性问题如果两个人在嘈杂的环境中交谈，一方没有听清或未完全理解对方的意思，自然的反应是请求澄清。语音助手也是如此。...在这些情况下，目标是减少提出的澄清性问题数量。在某会议上，展示了一项工作，旨在通过训练一个机器学习模型来判断何时真正需要澄清，从而减少不必要的后续问题。...在传统方案中，这些分数中任何一个足够小的差异都会自动触发澄清性问题。澄清与否在新方法中，训练了另一个机器学习模型来决定是否需要提出澄清性问题。...连接后的向量传递给分类器，分类器决定是否发出澄清性问题。实验据所知，目前没有现有的数据集能提供根据准确性标记的多个ASR和NLU假设。...由于数据集中的所有样本至少具有一种歧义类型，基线方法是在每种情况下都提出澄清性问题。该方法的假阴性率为零（在必要时从不遗漏澄清性问题），但可能有较高的假阳性率。

    11310

    语音代理减少不必要澄清问题的新方法

    语音代理减少不必要澄清问题的新方法在嘈杂环境中，当人们听不清或不明白对方意思时，自然会要求澄清。语音代理（如某中心的Alexa）也是如此。...在这些情况下，我们希望减少提出的澄清问题数量。在IEEE自动语音识别与理解研讨会（ASRU）上，我们提出了通过训练机器学习模型来确定何时真正需要澄清，以减少不必要的后续问题。...发现我们的模型将澄清问题的F1分数提高了81%（F1分数综合考虑了假阳性——不需要提出的问题，和假阴性——应该提出但未提出的问题）。...在传统方案中，任何这些分数的足够小差异都会自动触发澄清问题。澄清与否在我们的方法中，我们训练另一个机器学习模型来决定是否提出澄清问题。...由于数据集中的所有样本至少具有一种歧义类型，我们的基线是在每种情况下都提出澄清问题。该方法假阴性率为零——从不会在必要时错过澄清问题——但可能具有高假阳性率。

    23610
    点击加载更多

    相关资讯

    热门标签

    更多标签

    活动推荐

      运营活动

      活动名称
      广告关闭

      腾讯云开发者

      扫码关注腾讯云开发者

      扫码关注腾讯云开发者

      领取腾讯云代金券

      热门产品

      热门推荐

      更多推荐

      Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有

      深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 粤公网安备44030502008569号

      腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号

      领券