圖片來源: 

Uber

由於語音助理在人們日常生活中,逐漸開始受到普遍應用,而為了要讓這些系統足以吸引用戶,進而達成特定任務,語音助理如能表現適當的社交行為,並且提供資訊豐富的回應,將有助達成此一目的。

Uber研究顯示,人工智慧代理所使用的社交語言,與使用者的回應性和任務完成度有很大的關係,因此Uber嘗試打造更有禮貌的對話代理模型,讓模型能夠在回應中使用社交語言,並同時保持原有回應內容。

對話代理其中一種類型是任務導向的助理,包括微軟Cortana、Apple Siri以及Google Assistant,都是要與用戶進行單回合或是多回合對話,並從中擷取資訊,完成特定任務,Uber研究人員提到,過去部分研究顯示,當任務導向的助理擁有更多的社交能力,可能有助於完成任務,但這部分的研究仍非常少。

Uber這項研究將重點放在客戶服務的領域上,特別是客戶服務人員幫助駕駛員,和共享乘車服務供應商簽約的部分。研究分為兩部分,第一部分研究人員探究客戶服務代表,對駕駛使用友善言語時,所獲得的駕駛回應,以及首次車程狀況之間的關係,第二部分則是基於第一部分的研究基礎,Uber研究人員開發包含社交語言理解,和語言生成元件的語言模型,讓語音助理具有使用社交語言的能力,同時還保有原本語意的完整性。

研究顯示,客戶服務代表訊息的禮貌程度,與駕駛的回應性,以及第一趟車程完成情況有關。以這項研究結果為基礎,Uber使用超過23萬筆司機與客戶服務代表的訊息,來訓練語言模型,這些訊息由人類評估人員,標記禮貌與正向標籤。

經自動和人工方法評估,以禮貌訊息資料集訓練過後的機器學習模型,其輸出訊息的禮貌和正向程度。雖然訊息積極度與司機回應呈現負相關,但是語言模型成功改變回覆方式,在以更有禮貌的方式回應下,還能夠同時保有原本訊息意義。研究人員解釋,語音助理的語言正向程度,與駕駛回應呈現負相關性結果,可能是由於語言的正面積極概念,與情緒上的積極存在差異。

但整體而言,透過改變語言模型輸出訊息的禮貌程度,的確可以讓駕駛更快做出回應,並且遵循最佳作法,包括行為舉止更禮貌,並且使用更正向的語言。這份研究的貢獻在於,有系統地分析社交語言,以及用戶回應之間的關係,也提出用於任務導向對話生成深度學習框架的社交語言理解和生成元件,還使用人工和自動評估方法,評估結合社交語言之後的對話,其保留原本內容的程度。


Advertisement

更多 iThome相關內容