趁chatgpt還有一些熱度，今天復習一下意圖的演變。

在過去中，nlp快速發展的幾年中，Intents 隨著業務落地，不同行業對意圖的理解也有所變化。

意圖是對話系統中，一個重之重的一個環節，每個行業中對意圖理解的重視也有道理的。在任何對話的開始階段，意圖起著關鍵的分類作用，幫助聊天機器人了解用戶想要什么，并作出響應。

當前很多對話系統中，由于意圖太過僵化，因此需要尋找一些解決方案。有兩種方法可以解決這個問題。第一種方法意圖棄用：是將意圖變得更加靈活，不再和特定的實體和對話流相關聯，而是讓意圖更容易與用戶交互。第二種方法是意圖增強：通過使用機器學習和其他技術來提高意圖的準確度和可用性，使其更精確和強大。兩種方法都都是為了讓意圖更加靈活和準確，以更好地服務于用戶。

• 意圖放棄
• 是指在意圖檢測過程中，刪除不再使用或者不再有意義的意圖。這樣做的目的是提高意圖檢測的準確度，減少無用的干擾，使虛擬助手更好地理解用戶的需求。
• 意圖增強
• 是指在意圖檢測過程中，為原有的意圖添加新的信息或者關聯關系，以使虛擬助手更好地理解用戶話語的意圖。例如，可以為“訂購干炒牛河”這個意圖添加“配料”、“辣度”等實體信息，以便更準確地捕捉用戶的需求。

棄用意圖的活動是：

1. Microsoft Power Virtual Agents：微軟提供的虛擬助手服務，可以幫助用戶通過自然語言與機器人進行交互，并根據用戶話語的意圖做出相應的回復。
2. IBM Watson Action Skills：IBM提供的技能服務，可以幫助用戶與智能設備進行交互，實現更多的操作。
3. Alexa Conversations：亞馬遜提供的對話服務，可以幫助用戶與智能設備進行交互，并根據用戶話語的意圖做出相應的回復。
4. Rasa End-To-End Training：Rasa提供的端到端訓練服務，可以幫助用戶訓練機器人模型，使其更好地理解用戶話語的意圖。

這個概念受到了限制，并沒有得到廣泛的實施，絕對不是我因為的智能對話的趨勢。相反，我嘗試講將功能建立在意圖之上。將復雜性和對話管理轉移到其他領域，例如對話狀態管理，并將其納入意圖之中。

以下是用于增強意圖的一些個人經驗。

意圖增強

NLU 的意圖部分實際上是一個意圖名稱的列表，每個意圖用一個名稱和一個定義該意圖的話語字典表示(請不要把以為是關鍵字或關鍵詞列表)。

因此，將結構構建到意圖中，并模糊意圖和其他聊天機器人組件之間的界限。意圖是指聊天機器人的操作，例如提供信息或執行特定的操作。將結構構建到意圖中，可以幫助聊天機器人更好地理解用戶的意圖，并且模糊界限可以使聊天機器人的操作更加流暢。

我嘗試過以下方式增強意圖：

• 意圖與特定實體相關聯。
• 意圖與對話流的特定部分相關聯。
• 可以為意圖設置權重：根據業務需求，可將不同意圖設置不一樣的權重。
• 意圖可以打開和關閉。
• 快速回復可以與意圖相關聯。單輪對話位于意圖內。
• 意圖可以拖放、拆分、合并。
• 意圖是分層的，嵌套等。
• 主題的概念，表示一個或多個意圖，實體和流的集合。
• 可以上傳數據用于意圖檢測，新的話語會自動與現有意圖相關聯,為新意圖形成聚類。
• 可以為意圖設定閾值：根據業務需求，可將不同意圖設置不一樣的閾值。
• 如果未達到閾值，可以在意圖內設置確認請求。
• 意圖用于自動消歧菜單。
• 存在導入話語和測試意圖的結構，以了解用戶所說的內容。

（系統包括：Cognigy，Kore AI，IBM Watson Assistant，Oracle Digital Assistant，Nuance Mix，AWS Lex V2，Rasa，HumanFirst）

通常，語音助手由一個或多個技能組成。這些技能又由對話狀態管理系統和NLU組成。對話狀態管理又由基于條件管理對話狀態和保存機器人回復兩部分組成。

意圖和實體構成了NLU。意圖可以看作動詞，實體可以看作名詞。這些部分共同作用，幫助虛擬助手理解用戶的話語，并根據意圖和實體的不同組合做出相應的回復。…