许多小模特儿对一个大模特儿

Question

我目前正在用聊天机器人实现一种问卷调查，并使用LUIS来解释答案。本问卷分为20个问题的片段。

现在想到了以下问题:哪一种选择更好？

1. 我每个问题都做一个路易斯模型。因为这些问题可以包含隐式子问题(即“您想一次性支付还是按费率支付？”可以包括“这些费率应该有多高？”最后，每个问题可能有3-5个意图(包括None).
2. 每段我可以做一个型号。让我们假设这是可能的，并适合每种模型的80意图。

我的第一个直觉是认为第一种选择更好，因为这应该更加有力。当只有5个意图可供选择时，可能更容易确定正确的目标。据我所知，您可以拥有多少模型没有任何限制(...is是正确的吗？)

因此，我的问题是:还有哪些其他的好处/缺点，也许有一个客观上最好的选择？

Answer 1

你可以有多少你想要的模型，这是没有限制的。但在你问题的其余部分：

你打算用路易斯来解释每一个反应？我很好奇问卷的实际设计，以及为什么你需要(或想要)开放式的回答而不是多项选择的问题。"Do you want to pay all at once or in rates"本身就是一个二进制问题。在此基础上，用户可能会使用"Yes I want to pay all at once"来响应，后者可以使用LUIS。或者他们可以响应，"rates"，这可能是用户在提示符/FormFlow中可用的两种选择之一。"rates"也比第一个答案短得多，因此可能会有更多的选择被输入。

多项选择题提供了标准化的输入，减少了管理数据的工作量。这也很可能减少维持模型和问卷所需的工作量。

客观地说，一种模式更有可能是较少的工作，但我们可以进一步钻研：

第一种选择：

如果你的问卷部分包含20个问题，你有2个部分，你有40个单独的模型需要维护，这是一个噩梦。此外，根据识别器顺序，您可能会遇到延迟问题，因为您必须等待来自40端点的响应。这意味着关闭识别器是可能的，因此您可能只需要等待一个识别器。但是，您需要手动打开下一个识别器并关闭前一个识别器。您还应该意识到，处理多个“无”意图是一场噩梦，以防您希望让每个识别器处于活动状态。

我假设，在您意识到自己处理40个模型的痛苦之后，您将需要帮助来管理您的模型。您可以添加协作者，但也需要将它们添加到多个模型中。有一天，您将(可能)不得不将它们从所有具有协作者状态的模型中移除。

第一种选择更有力，但也涉及到相当多的工作时间。你在一定程度上是对的，因为较少的意图是有帮助的，因为模型预测的可能性较小。但是，你的模型的预测变得更准确，更多的话语和标签，所以任何额外的好处，有5个意图的模型是最有可能成为无意义的。

第二种选择：

如上文所述，每段使用一种模式的工作较少。这是较少的工作来维持，但有什么缺点呢？除非你把你的模型训练得足够好，否则可能会因为错误的正面预测而产生一些意想不到的后果。这就是说，你可以在你的问卷/机器人/问卷-bot的代码中说明这一点，具体地查找问题的预期意图，然后使用这个子集的最高评分意图，如果最高的评分意图与你的问题不匹配的话。

另一个失败是，如果它是一个模型，而一个协作者犯了一个灾难性的错误，它会影响整个片段。对于多个模型，这个错误只会影响到一个问题/模型，所以这是一个好处。

除了不必处理多个无意图处理之外，您还可以快速标记应该属于无意图的话语。你在单一模型中所标出的意图，本质上使它与模型中的其他意图相比更加突出。如果您有多个模型，一个在一个模型中触发特定意图的答案需要触发其他模型中的无意图，否则，您将得到多个高分意图(相关/预期意图可能不是最高的)。

结束：

我推荐第二个对象，仅仅是因为它的工作量较小。此外，我也不确定问卷的目标，但作为一般规则，我怀疑是否需要在不需要的地方加入人工智能。这里是一个链接，它讨论对bot成功没有贡献的因素(请注意，自然语言就是这些因素之一)。