Dialogflow es Dialogflow将不相关的短语与现有意图相匹配

我创建了一个聊天机器人，它可以通知用户我的（大）家庭成员的姓名以及他们的居住地。我用MySQL创建了一个小数据库，其中存储了这些数据，并根据用户与聊天机器人的交互情况，随时使用PHP脚本获取这些数据

因此，除了

默认回退意图

和

默认欢迎意图

，我还创建了两个意图：

• 名称

• Location\u context

第一个意图（

'Names'

）由诸如“你叔叔叫什么名字？”之类的短语进行训练，并具有输出上下文。第二个意图（

'Location\u context'

）由诸如“他住在哪里？”、“他在哪里？”、“他在哪里？”、“他住在哪个城市？”等短语训练，并具有输入上下文（来自

'Names'

）

一般来说，这个基本的聊天机器人可以很好地完成它的功能。然而，我的问题是（在触发

'Names'

意图之后），如果你问一些毫无意义的问题，比如“他在哪里下雪？”那么聊天机器人将触发

'Location\u context'

意图，聊天机器人将响应（定义为）“你叔叔住在纽约”。还请允许我提到，由于我已经构建了聊天机器人，到目前为止，此类响应的得分高于相当高的

0.75

---

我如何让聊天机器人在这些无意义的问题中触发默认的回退意图（甚至在更合理的问题中，例如“他在哪里吃饭？”这些问题与

位置上下文
意图并不完全相关）不要触发意图，例如只包含一些类似关键字的
'Location\u context'
，例如单词
'Where'
？
尝试在代理设置（
设置>ML设置）中使用
ML分类阈值。默认情况下，它的分数很低（0.2），这有点咄咄逼人

定义置信度得分的阈值。如果他回来了
值小于阈值，则将显示回退意图
触发，或者，如果没有定义回退意图，则不会有任何意图
被触发

您可以在JSON响应中看到查询的分数：

{
    "source": "agent",
    "resolvedQuery": "Which city does he live at?",
    "metadata": {
        "intentId": "...",
        "intentName": "Location_context"
    },
    "fulfillment": {
        "speech": "Your uncle is living in New York",
        "messages": [{
            "type": 0,
            "speech": "Your uncle is living in New York"
        }]
    },
    "score": 0.9
}

比较正确和错误比赛的分数，你会很好地知道哪个自信的分数适合你的经纪人

更改此设置后，让它进行训练，再试一次，然后调整它，直到它满足您的需要

更新

对于仍然会获得高分的查询，如
他在哪里做饭？
，您可以添加另一个意图自定义回退，以处理这些误报，可能使用自定义实体：
非定位操作
，并在用户表达式中使用
模板模式
（@）


他在哪里？
@NonLocationActions:NonLocationActions
他
@NonLocationActions:NonLocationActions


因此，这些查询将在新的自定义回退中获得1分，而不是在位置意图中获得0.7分。
我正在使用dialogflow开发聊天机器人，并且遇到类似的问题

我们的测试经理发明了“香肠测试”，她用香肠这个词替换了问题中的某些词，我们的机器人崩溃了！即使阈值为0.8，我们仍然经常遇到一些问题，这些问题的意图是因为一些无稽之谈而引发的，而对于一个提供产品安装建议的企业级聊天机器人，我们也不能承担这样的错误

我们发现，在某些情况下，对于明显不可靠的“香肠”输入，我们得到了最大置信水平（1）

我们绕过这个问题的方法是将所有答案返回到API中，并将置信度分数与其他测试结合使用。例如，我们引入了正则表达式测试来检查问题中的关键字，以及参数匹配（确保在DialogFlow的数据中也传递了关键实体参数）

最近，我们还开始在回复的开头加入一句低置信度的句子，即“我想你是在问XYZ，如果不是，请重新表述你的问题。这是你的答案。当所有额外测试都失败并且阈值在0.8到0.98之间时，我们会这样做。
感谢您的回复（upvote）。是的，更改
ML阈值肯定是一个不错的选择。然而，在一些不太相关的问题上，比如“他在哪里做饭？”我得到了非常高的
0.81分，我不确定将
ML阈值设置为0.85是解决我的问题的最佳策略。也许，就每个问题定义其他实体是更好的选择；例如，关于居住地点的实体，以便排除关于就餐地点或任何地点的问题。你觉得呢？是的，当然，ML阈值不是完美的，但它是向前迈出的一步。这个数字取决于你有多少个例子，对你来说可能是0.85，因为你可能只有两个意图。我会添加另一个意图来匹配这些误报，并将它们作为后备意图处理。非常有趣的回答。我将测试它，并考虑一下是否有更好的选择。我的第一印象是，即使是正确的问题也可能会引发这种自定义的回退意图……但我将首先测试它。我还想知道这个
NonLocationActions
实体将包括什么。从某种意义上说，它必须包括除与正确问题相关的词语以外的一切……但也许最好定义一个实体，包括“生活、基础、工作等”和