深度学习固然热络，但在垂直领域，我还是推崇规则匹配，垂直领域的正常问答中，不会超过10000条语句，那么规则其实能很好cover，准确率甚至能高达90%，累积了大数据，深度学习在这个时候就能很好提升模型精度，下面是对智能交互的总结。
智能交互总体框架
下面着重总结下自然语言理解（NLU）部分：
1. NLU分为两个部分：用户意图判定，属性结构化抽取
utterance 我想看刘德华的天下无贼
领域/意图判断 intent：video
属性抽取 明星：刘德华
电影名：天下无贼
NLU流程
2. 面临问题
a) 多样性，一句话表述方式多种多样，比如：刘德华的天下无贼，刘德华天下无贼，天下无贼刘德华
b) 鲁棒性，ASR导致错字，多字用户输入过程中，带犹豫性质的字词，“嗯”等；
c) 语言多义性，举例：“你好周杰伦”，是一首歌。
d) 上下文。
e） 语言知识的依赖。
3. 意图判断
a) 抽象成一个分类问题，那么就对应很多分类模型，比如SVM，CNN等，对于多样本量，建议采用CNN方法，垂直领域同时匹配规则算法。
b) 举例，天下无贼，一句话并不能简单判定这句话的领域，但依赖知识，知道这是一部电影，那么可以将它改写成，movie name，这样结合符号的embedding，与word2vector作为分类特征，效果会有所提升。可能会有疑问，如果通过知识已经知道这句话中包含的符号，是不是就可以判断这句话的领域了呢？如果输入是：你觉得孙俪漂不漂亮，应该是什么领域呢？
c) 以词作为输入，往往会出现，词表之外的词，所谓的Out of Vocabulary首先会想到使用固定向量或随机向量替代，最好的方式，同步更新词向量。参考FastText
d) 数据增强，缓解鲁棒问题，比如，在数据中自动加入写噪音。
4. 属性提取
方式一：
我 想 看 刘 德 华 的 天 下 无 贼
O O O B-actor B-actor I-actor O B-name I-name I-name I-name
方式二：
刘德华 的
O B-actor O B-name
问题本质是，序列标注问题，算法模型比较成熟的有：CRF、CNN、RNN、LSTM等，目前用的比较号的是：bilstm+crf，通过crf解码，解决了softmax局部最优的问题。
对方式一、二，的区别在于，是否分词，方式二依赖未登录词的分词结果。垂直领域建议训练自己的分词工具，而不是采用通用分词工具，其精度会大幅度提升，而方式一带来更多类别问题，从而对模型训练、数据有更高要求。
5. 上下文
a) 举例：“刘德华的”，既可以理解成刘德华的电影，也可以理解成刘德华的歌，它的理解需要基于上一句或上几句
每个领域对应一个属性模板，电影对应一个模板，音乐对应一个模板，每一个模板包括该领域事先设置的Slot，以及对应的Slot Value，电影模板如下：
b）方法：
1.上下文判断，抽象成是否属于上文领域的二分类模型，utterance输入之后，通过分类模型得到其领域意图；同时直接继承上文意图，做属性提取。抽取两种方式结果，训练分类模型，根据模型输出对应结果的置信度排序、选择。
2.根据意图完整型，通过属性提取后，填写领域属性模板，通过模板完整性（事先定义，比如电影领域只要个别领域非None，则完整）判断是否属于上一个意图领域。每一次并不需要全部填充模板，只满足完整性
