来谈谈什么是自然语言理解（NLU），完全机器人懂你的必经之路

想要实现人机交流同人和人交流一样自然，首先要打破人机交流的壁垒，即让机器学习并理解人类的语言，因此在任务式对话系统中，用户输入的语言要先行进入自然语言理解（NLU）模块进行处理，针对用户语言中的“意图”、“实体”、“情感”和“态度”进行识别，以便后续系统对用户问题进行目标评估和答案输出。

意图识别


当用户带着明确目的找客服机器人对话时，对于客服机器人而言首要任务就是分辨出用户到底想要干什么。意图识别就是从用户的自然语言文本甚至语音信号中解析出用户意图的过程，是NLU的第一步，也可以看作是NLP中的一个简单的文本分类任务。

用户一般会通过一句话表明自己的目的或者诉求，比如：“看一下上个月花了多少钱”、“帮我查询一下上个月的账单”、“收到上个月的账单和消费记录对不上，麻烦帮我查一下”。

不同人的表达不同，仅仅账单查询就有上万种表述方式，在具体业务场景中机器人除了账单查询外，还要能听懂用户的其他需求，比如“信用卡办理”，“理财推荐”等。

面对这种多样化的需求，在业务梳理阶段需要划分清楚意图；在模型优化阶段，为了让机器人更准确地理解用户的多样化表述，需要给机器人提供尽可能多的、表达丰富的数据，让机器人学习到不同意图的特征。

意图识别作为百度智能客服系统重要的组成模块，识别效果的准确与否直接决定着用户的使用体验。意图是需要根据业务和使用场景事前定义好的，根据覆盖领域、业务规模、细分程度的不同，一般会有从几十个到上百个意图。

实体识别


不同于单轮的知识问答机器人，只需要从知识库中挑选最合适的答案返回给用户，任务型对话机器人需要和用户进行多轮交互。

以“订餐”场景为例，仅仅知道了用户意图这个模糊的目的是不够的，机器人还需要得到更精确的信息，才能帮助用户完成订餐任务，比如“时间”、“地点”、“就餐人数”等。在定义意图的时候，还需要为该意图预定义一系列的实体，通过多轮对话收集该意图下的实体值，使这个模糊目标更细化具体，从而完成任务，帮助用户达到目的。

简单的理解，实体是指人名、地名、数字、日期、号码等一类概念的实例。在具体的业务场景中，需要结合场景业务流程，配置自定义的实体，譬如办卡场景中的“卡名称”，订餐场景中“菜名”等。

例如，“我想预定西二旗附近的海底捞”是在“订餐”这个意图下，假设我们预设了“时间”、“地点”、“就餐人数”，“西二旗”这个实体就定位到了“地点”这个实体，机器人就可以在后续的服务过程中以“西二旗”为筛选条件来提供用户需要的信息。而缺失的两个实体“时间”和“就餐人数”，就需要机器在后续的问答中明确收集后再补充进去。

情感识别和态度识别


为了让机器更人性化，提供有温度的服务，还需要赋予机器更多的感知力，比如感知用户的情感和态度。因此“情感”和“态度”识别也是NLU模块的组成部分，简单理解就是机器可以根据用户的句式句法来判断对方在说话时的情感和态度。

情感识别是针对对话文本，识别出会话者所表现出的情绪，一般包含积极、消极和中立三种情绪；态度识别是针对对话文本，识别出会话者所表现的态度，一般包含肯定、否定和中立三种态度。在对话流程中，可以基于会话者的情感和态度返回指定话术或者进行流程跳转。

元芳你怎么看？

大人，此事必有蹊跷！

我擦！我要沙发！