一、意图识别应用领域

1、搜索引擎
2、对话系统：基于意图识别了解用户想要什么 业务 或者 闲聊，并采用不用的子模型来处理
    1.1 闲聊
            技术：闲聊机器人需要有较高的召回率，因此常常用：seq2seq + attention  / transformer / bert .... 
    1.2 基于业务，例如 电商、买票、查询天气
            技术：基于上述应用场景需要极高的精确率，因此常常用：① 基于业务规则模板、基于语义匹配 ② 
3、智能物联网
4、机器人

二、意图识别的难点

1、用户输入不规范，输入方式多样化，甚至非标准的自然语言
2、表意表现出多意图
       仙剑奇侠传
       游戏？--> 游戏软件？……
       电视剧？--> 电视剧下载？相关新闻？……
3、意图强度，表述不同表现出不同的需求强度
       天气很好啊-->弱意图（心情，闲聊模式）          今天天气怎么样-->强意图（业务模式）
4、意图存在时效性变化，就是随着时间的推移相同问题的意图会发生变化      ******* 难点
5、没有固定的评估的标准

三、意图识别的主要方法

   1、意图识别的类别

（1）导航型 
       将用户导航到相应的领域或相应的流程中
            例：百度 *** 导入到某个网站
（2）信息型 
       提供给用户想知道的信息
            例：百度 *** 的个人信息    ----- 类似百度百科
（3）事务型 
       给用户提供流程中的各个实现环节
            例：百度 *** 坏了         ----- 类似百度知道

   2、规则模板意图识别

     （1）词表穷举法

nlp意图是什么 nlp意图识别_NLP

                     特点：必须一一命中才行，因此模型的召回率较低，精确率极高 

   （2）规则模板解析    

规则模板解析： 需要基于  分词、词性标注、命名实体识别、依存句法分析、语义分析 的前提下 才能完成

                                           而且数据中使用的也是字典形式（key hash 结构），查询速度较快。

1、适用于查询非常符合规则的类别，通过规则解析的方式来获取查询的意图。
    例：
        北京到上海今天的机票价格，可以转换为：[地点]到[地点][日期][汽车票/机票/火车票]。
            执行过程：
                    第一步：寻找领域，获取子类模板字典
                    第二步：选取模板，这里面命中模板不是所有的内容都全部命中，只需要命中一部分。
                    第三步：采取 反问模板 与用户沟通缺失了模板的那些内容，并补全这些内容（即上述问句没有日期）
                    第四步：给出 完整的模板信息 并 等待用户确认。
        1吨等于多少公斤，可以转换为：[数字][计量单位]等于[数字][计量单位]。
    对规则性较强的query有较好的识别精度，能够较好的提取准确信息。
    缺点：需要人工参与较多，很难自动化实现。
    实用指数：4★
    场景：搜狗通用搜索、小i智能客服、机器人、智能物联网、支付宝分控系统有10000多个模板。

                 特点：规则性较强的query精确率较高，召回率也不错 

  •    案例：搜狗搜索 意图识别

                     规则意图识别的一般技术

                            1. 判断领域：采用实体-主域-模板的整体框架来判别识别领域

                                      注意：主题    ------ 大类别 ；主域  ------- 子类别 ； 模板

2. 判断意图：命中主域后，模板采用意图动词(下载、查询等)或意图疑问词(怎么样、为什么等)判别意图

                            3. 区分弱意图和强意图，针对性提供解决方案；判断实体强度

                                搜索引擎意图识别领域判别表：仙剑奇侠传

nlp意图是什么 nlp意图识别_召回率_02

                 计算过程 

                          第一步：主体（大类）计算

nlp意图是什么 nlp意图识别_nlp意图是什么_03

                          第二步：主域（子类）计算 

nlp意图是什么 nlp意图识别_召回率_04

  •  规则模板解析优化 
4.  query改写包括：query纠错，query扩展，query删除，query转换。
         a. 进行同义词扩展     eg：我去旅游   我要旅游       ------- 技术：① word2vec ② 
         b. 删除一些修饰，扩大召回                          ------- 技术：① booststriping信息抽取 ② 语义分析（三元组）
         c. 通过近义或同义转化，扩大召回                    ------- 技术：① word2vec ②

    3、深度学习意图识别

1、机器学习和深度学习方法
    意图识别可以看做是一个分类问题，针对于垂直产品的特点，定义不同的查询意图类别。
    对于用户输入的query，根据统计分类模型计算出每一个意图的概率，最终给出查询的意图。             
    缺点：主要是数据获取和更新较困难，数据的标注也需要较准确才能训练出较好地模型。
    实用指数：4★
    场景：京东JIMI、美团垂直搜索

2、深度学习 意图识别常见 模型：
    ① LSTM + attention
    ② BERT网络 分类意图识别

                   特点：模型召回率很高 

  •     案例：京东JIMI  意图识别

                      一、 大致结构

nlp意图是什么 nlp意图识别_百度_05

                   二、模型网络

京东JIMI意图识别(baseline)
    深度学习CNN模型，可用于求解一个分类问题，将用户的问题映射到一个具体的分类。最终在算法选型上，采用深度学
    习CNN模型，其中模型参数：
        词向量采用100维
        每个样本限定30个字以内，超出30截断，不足30补充随机向量
        单层CNN网络，第一层卷积核大小3*50

nlp意图是什么 nlp意图识别_nlp意图是什么_06