wit.ai:如何识别意图并从用户表达式中对实体进行分类

Question

我已经学习wit.ai好几天了。我发现了wit.ai bot引擎的关键点：

• 以故事为基础-为问候创建故事，订购比萨，订购笔记本电脑，询问预测
• 基于角色的实体-位置:形式，位置:到。这里“从”和“到”是“位置”实体的角色。
• 组合/嵌套实体-car(模型，颜色，modelYear)。这里的模型，颜色，modelYear可以嵌套在car实体下。
• 搜索策略:特征、自由文本、关键词
• 通过创建一些故事来理解机器人
• 在比赛中得分被称为信心
• 最大用户表达式长度256
• 从预定义的关键字列表、匹配表达式中搜索
• 嵌套上下文
• 用户定义实体、预定义实体
• 基于实体的操作: if只具有，如果始终有条件
• 对于给定的用户表达式，wit在关键字列表中搜索匹配项，自由文本。
• 对于给定的用户表达式，wit将搜索实体下列出的表达式中的关键字位置。
• 对给定用户表达式中缺失信息的分支
• 智慧中的代词支持？没有故事#1用户: Widget X 2000是多少钱？它要花30美元。故事#2用户:在哪里可以买到Widget X 2000？在你当地的百思买。故事#2用户: Widget X 2000多少钱？它要花30美元。用户:在哪里能买到？--错误--使用上下文
• 会话感知的实体提取尚未实现。
• 是否有可能让wit.ai机器人记住/重用跨故事的上下文？检查context.key是否存在
• 是否可以在Wit.ai中设置默认意图？不，可以检查置信度值，设置置信阈值，低于阈值特定响应。
• 您能按Wit.ai中的优先级对实体进行排序吗？不是

现在，我想知道wit如何检测用户表达的意图，并使用wit.ai中创建的机器人的故事对实体进行分类。

如果有人了解wit.ai中使用的底层技术/ML算法，请在这个线程中共享。我希望这会对像我这样的人有所帮助。

提前谢谢。

Answer 1

wit.ai的两个主要部分是：

1. 意图分类
2. 实体提取

对于实体提取，它使用他们最近开放的小鸭库，您可以在那里找到关于算法的详细描述。

对于意图分类，我猜他们使用的文本分类方法是基于包字或更高级的词嵌入方法，如word2vec。

您还可以查看类似的完全开源项目，如拉萨或spaCy，用于上述两项任务。