我目前正在使用IBM对话服务。除了官方文档中的信息或此处记录的信息之外，是否存在创建意图的最佳实践？
我还有其他演示可以看吗？我看过IBM的汽车仪表板和Weather机器人。
问候，
凯捷
最佳答案
意图
意图是对话的机器学习组成部分。
当您使用最终用户的代表语言来培训系统时，它们最有效。代表不仅可以指最终用户的语言，还可以指用于捕获该问题的媒介。
重要的是要理解问题驱动答案/意图，而不是相反。
人们经常想到您需要首先定义意图。首先收集问题，您可以查看用户会问的内容，并集中精力进行自己的意图。
预定义的意图更容易出现制造问题，而且您会发现并非每个人都问自己认为会的意图。因此，您将时间浪费在不需要的地方。
人为问题
人为制造的问题并不总是一件坏事。它们可以很方便地引导您的系统以捕获更多问题。但是在创建它们时必须谨记。
首先，您可能认为的通用术语或短语可能不适合大众。他们没有域名经验。因此，请避免仅在阅读了该材料后才能说的领域术语或短语。
其次，您会发现，即使您竭尽全力尝试改变事物，您仍然会重复使用模式。
举个例子：
how do I get a credit card?
Where do I get a credit card?
I want to get a credit card, how do I go about it?
When can I have a credit card?
credit card此处的核心术语没有变化。他们可以说visa，master card，gold card，plastic，甚至只是card。话虽如此，意图可以很聪明。但是，在处理大量问题时，最好进行变化。聚类
对于训练有素的集群，您至少需要回答5个问题。最佳值为10。如果您收集问题而不是制造问题，则会发现群集不足以进行培训。只要您的尾巴长而类似，就可以了：
（水平=问题数量，垂直=群集ID按大小排序）
如果发现有太多独特的问题（图形=扁平线），则意图组件并不是解决此问题的最佳方法。
集群时要寻找的另一件事是彼此非常接近的集群。如果您的“意图”是一个答案，则可以通过仅对两个答案都进行成形并合并集群来提高性能。这可能是强制执行弱群集的好方法。
测验
一切都完成后，随机删除10％-20％（取决于问题的数量）。不要看这些问题。您将这些用作盲目测试。对它们进行测试将使您对它在现实世界中的性能有一个合理的预期（假设问题并非由制造出来的）。
在早期版本的WEA中，我们进行了所谓的实验（k倍验证）。系统将从训练中删除一个问题，然后再提出。它将解决所有问题。目的是测试每个群集，并查看哪些群集正在影响其他群集。
NLC /对话不执行此操作。要做到这一点将永远。您可以改用蒙特卡洛十字褶皱。为此，您从训练组中随机抽取10％，对90％进行训练，然后对删除的10％进行测试。您应该这样做几次，然后平均结果（至少3次）。
结合您的盲测，它们应该相对靠近。如果说彼此的误差范围超出5％，则说明您的培训存在问题。使用蒙特卡洛结果检查原因（而不是盲目性）。
进行此测试的另一个因素是信心。如果您不打算在一定的置信度下采取任何措施，那么也可以在测试中使用它来查看最终用户的体验。
实体
目前，实体非常基础，但可能会发生变化。您将在试图捕获的实体的狭窄显式范围内使用实体。目前尚无机器学习组件，因此它只能检测您所说的内容。
它还允许您返回系统可以对其执行操作的关键字。例如，有人可能说“猫和狗”，但您想返回@Weather：rain
正则表达式
确定用户意图的最后一种形式是条件部分。这同样非常强大，因为您可以创建嵌套的正则表达式。例如：
input.text.matches('fish|.*?\b[0-9]{4,6}\b.*?')
如果他们在问题中只说“鱼”或4到6位数字，则此示例将触发。
关于ibm-cloud - 使用IBM Conversation Service创建意图/实体的最佳实践，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/39800476/