Alexa自定义技能CommandIntent意图槽位解析异常求助

• 样本量严重不足：单意图仅配置2条语句样本，完全达不到Alexa NLU模型的训练要求，模型无法学习到槽位的位置边界、上下文锚点，自然会出现槽位错配。
• 自定义槽位配置不规范：一是没有做同义词归并，比如verbSlot里将语义、发音接近的heat/heater、cool/AC设为独立值，分散模型权重；二是roomSlot仅配置了省略式的形容词值，没有补充用户实际会说的完整词组（比如living room），语音识别时极易和前后词混淆；三是没有开启自定义槽位的枚举强校验，Alexa默认会把不在枚举列表里的词匹配到任意槽位。
• 句式划分逻辑混乱：配置的两类句式（调温类、模式开关类）槽位组成完全不同，但没有给模型做句式区分，遇到turn开头的指令时，模型找不到明确的槽位位置参照，就会出现把verb槽的heater错分到room槽的问题。

1. 重构自定义槽位 #

将同语义的槽值做同义词归并，补充常用口语变体，修正后的槽位配置参考：

"types": [
  {
    "name":"verbSlot",
    "values": [
      {"name": {"value": "up", "synonyms": ["higher", "warmer", "turn up"]}},
      {"name": {"value": "down", "synonyms": ["lower", "colder", "turn down"]}},
      {"name": {"value": "heat", "synonyms": ["heater", "heating", "heat mode", "warm"]}},
      {"name": {"value": "cool", "synonyms": ["AC", "air conditioning", "cool mode", "cold"]}},
      {"name": {"value": "off", "synonyms": ["shut off", "power off", "turn off"]}}
    ]
  },
  {
    "name":"roomSlot",
    "values": [
      {"name": {"value": "living", "synonyms": ["living room", "lounge", "living area"]}},
      {"name": {"value": "master", "synonyms": ["master bedroom", "main bedroom", "primary bedroom"]}},
      {"name": {"value": "guest", "synonyms": ["guest room", "spare room", "guest bedroom"]}}
    ]
  }
]

如果不需要接收枚举列表外的槽值，可以在槽位配置里开启Slot Validation，设置当识别值不在枚举范围内时触发澄清问询，避免无效错配。

2. 扩充意图样本 #

单意图的样本量至少要达到15-20条，覆盖不同的口语表达、词序变体，给模型明确的槽位位置锚点，补充后的样本参考：

"samples": [
  // 温度调节类句式
  "set {room} to {temp} degrees",
  "set {room} temperature to {temp}",
  "adjust {room} to {temp}",
  "make {room} {temp} degrees",
  "change {room} temp to {temp}",
  // 模式/开关控制类句式
  "turn {verb} in {room}",
  "turn {verb} the {room}",
  "switch {verb} in {room}",
  "set {room} to {verb}",
  "turn the {room} {verb}",
  "switch the {room} {verb}"
]

注意：同类型句式尽量保持槽位的相对位置固定，不要无规律调换槽位顺序，避免模型混淆。

3. 模型训练与验证 #

• 配置修改完成后，点击控制台的「Build Model」按钮，等待模型全量构建完成（不要在构建中途测试）
• 先在控制台的Test面板做文本测试，覆盖所有配置的句式，确认槽位匹配正确后再做语音测试
• 如果仍有个别语句错配，直接在测试面板的标注界面把错配的槽位手动修正为正确值，提交给模型做增量训练，一般迭代2-3次即可达到稳定的识别效果。

内容的提问来源于stack exchange，提问作者mark-hahn