Intent：意图，用户通过自然语言表达方式来提出某种问题或达到某种目的。不同的人在意图层面会有极大的共性，同一个人在不同品类的商品购物时，也有类似的共性。机器人要解决用户的需求，首先需要识别用户的意图。例如，买家发送“给我推荐一款纸尿裤”，机器人会针对这句话切词，变成“给\我\推荐\一款\纸尿裤”，然后综合考虑 词特征、交叉特征、上文意图等因素，给出预测的意图。

实体：意图识别过程中需要进行实体抽取，主要抽取的是文本中的原子信息元素，如人名、组织/机构名、地理位置、事件/日期、字符值、金额值等。实体抽取可分为基于规则的方法抽取和基于模型的方法抽取。

实体面临的挑战：

  • 上下文相关：同一个表达在不同的上下文中通常有不同的意义，比如“13”可以是“13 斤”，也可以是“13 厘米”，具体取值跟对话场景相关。
  • 歧义：自然语言存在多样性，也就是一个意思可以以不同的说法进行表达。例如说“空调”时，可以是电器里面的空调，也可以是某个纸尿裤系列“空调系列纸尿裤”。

分类

  • 被动意图：用户触发，机器人进行响应；
  • 对比意图：属于被动意图，但实体会保留多值；而其他意图的多个实体会随机给出一个；
  • 主动意图：机器人主动触发，按着设定好的策略引导用户完成某项任务。需要结合被动意图使用。
  • Slot：槽位，对意图的补充，意图的属性。如，询问{Time}天气，槽位{Time}代表咨询哪天的天气。
  • Dialogue State：对话状态，含 0 时刻到 t 时刻的对话历史、用户目标、意图和槽值对的数据结构。对话管理中的一部分，记录整通对话的各种信息。例如，是一通对话的第几句，第几个意图；或者记录，当前意图有每个槽位是否填充。
  • Dialogue Policy：对话策略，依据给定上下文及当前 Query，如何进行下一步操作。
  • Session：一通对话，通常一天内的对话由多通对话组成。
  • Turn：对话中的每一句都可以称之为一轮。包括用户请求、响应的答案、当前识别的意图ID。