输入是query/ASR解码路径/context/用户信息/语境等内容，首先在基础NLP工作中进行query预处理/词法分析/句法分析/实体识别和消歧/短语识别/实体纠错/指代消解等。之后进行领域意图分类，利用浅层语法分析结果判断用户在哪个领域以及他在这个领域中到底在问哪个方面的问题，接下来进行语义槽抽取模块，在当前领域下对用户query的槽位进行抽取，对领域和槽位进行综合管理得出用户真正的意图做一个结构化的输出。

这里我们基于LSTM做了一个模型层面的意图和领域分类模型，输入是两维特征：字向量和实体识别特征，作为所有意图分类模型基础输入。模型由一个双向的LSTM加一个单向的LSTM构成，最后通过softmax做一个领域的选择。意图分类同样基于此模型，在领域分类上准确率可以达到93%，在意图分类上准确率可以达到96%。

槽位抽取分为两种，一是基于「pattern」的抽取，二是基于「模型」的抽取，模型采用比较成熟的双向LSTM加CRF，线上总体准确率可达92%。

NLP方向的一些实用建议：


1）冷启动阶段只能文法规则先上 ；

2）一定关注线上真实用户的数据情况，关注badcase ；

3）一定要增加运营干预手段 ；

4）一定要强化对资源数据的清洗和挖掘理解 ；

5）线上数据标注+模型，提升整体性能 。

{"questions": ["你听到什么了?"], "answers": ["听见你的心声。", "什么都没听见呀"]}
{"questions": ["你很皮啊"], "answers": ["我皮我开心。", "不容易啊，终于意识到了！", "调皮是我的天性，爱我你怕了吗？"]}

！ 易用、易学的QA Pairs管理与查询引擎
用于机器人管理者简单定义类似FAQ的问答，例如“怎么退货”这种有一个固定回答问题
！ 易用、易学的对话模板生成管理方法（用于生成可能的用户说的话）
机器人管理者用于生成针对对话系统（任务）的对话
！ 足够使用的NLU部件
内部需要包括其他各种基本组件，例如intent classification，entity recognization
！ 当机器人不准确、失效时，人工代替解决方案
最好能即时接入人工，给用户接入人工的手段，即时评价当前对话质量，最低要求是提供其他人工渠道：电话、邮箱、IM
足够使用的对话状态跟踪部件与对话策略部件
dialogue state tracker & dialogue policy
易用、易学的自然语言生成模板方法（用于生成机器人的回复）
根据当前状态，生成对应回复所需要的模板系统
用户行为模拟程序与系统评价程序
行为模拟可以用于强化学习，就算不用强化学习，这套系统也是一套标准的集成测试系统
良好的自动用户反馈、评价机制
用户评价机器人好坏、反馈结果、与用户沟通联系
一个良好的、易懂的面向开发人员文档
用于帮助专业人员构建更详细、自定义的机器人
一个良好的、易懂的面向非专业人员培训文档
用户普及知识，做简单的非专业训练，让他能够很好的管理基本问答、知识库
～ 基于某种UI（例如web）的高级图形管理界面
方便非专业人员使用
～ 自动的训练程序，例如基于强化学习的
未测试
～ 足够覆盖基本问答的chatbot引擎
回答一些非常基本机器人，你是谁，你从哪来，你到哪去，用于最基本的调戏、使用帮助目的
～ 高效的Knowledge-based QA问答引擎
用于更方便的回答例如，这个东西保修几年，这双鞋有多大码的，这种更细节的知识问题
～ 一个简易的知识库构建与对接系统（如果需要Knowledge-based QA问答引擎的话）
～ 较准确的Retrival-based QA问答引擎
例如用于一些百科知识问答，某些特定领域的文档问答
～～ 人类情绪分析部件（NLU中）
～～ 一个基于Seq2Seq的chatbot引擎
～～ 语音识别
～～ 人工语言合成

！：必须
～：部分场景可有可无
～～：可能需要忽略的