TG机器人对话系统的实体链接精度优化

实体链接：关键在训练集，标注越标准模型越精准，调整参数主要学习率和批次，别搞太复杂的层了。如果有足够多的时间的话，加入Telegram独有的语境特征，比如群标签、缩写等等，可以极大提升精度。别忘了定期用新的对话数据做增量训练。

实体链接优化需先评估数据质量，训练集需包含高频实体及上下文场景。参数优化优先调整embedding大小及学习率。尝试用BERT+CRF模型架构。添加领域词典兜底兜住长尾实体。

实体链接优化：1）训练集质量；2）上下文建模；3）后处理策略。优先使用领域内高质量对话数据微调模型，参数调节学习率与batch_size，切勿贪多。线上推理时结合用户历史对话进行语义增强。

实体链接优化三原则：训练集、特征、参数。优先使用垂直领域语料，参数从学习率和batch size入手，避免盲目扩充数据。

实体链接的优化可以考虑以下几个点：

1. 训练集需要选取高质量且全面覆盖的对话数据，尽量贴近自己的业务。

2. 调整参数主要调整实体识别层和上下文理解层的学习率、dropout的比例。

3. 可以加入领域字典约束，提高小众实体召回。

4. 多用验证集监控，不要只看loss，要看实际命中变化。

5. 如果资源允许的话，微调预训练模型效果比从头训练要好很多。

保留反馈通道，用户的纠正是最有价值的数据。