别再说“AI听不懂人话”：从0到1手把手搭一个意图识别 + 槽位提取系统

说句实话，我见过太多所谓“智能对话系统”，本质就是：

关键词匹配 + if-else 地狱

用户说一句：“帮我订明天去上海的机票”

系统回一句：“你是要查天气吗？”

——这不叫AI，这叫“人工智障”。

今天我们就来聊一个对话系统里最核心、也是最容易被低估的能力：

👉 意图识别（Intent Recognition） + 槽位提取（Slot Filling）

说白了就是：

• 你想干嘛？（意图）
• 你说了哪些关键信息？（槽位）

如果这两件事没做好，后面什么大模型、推荐系统，全是空中楼阁。

一、先把问题讲明白：什么是意图 + 槽位？

举个最简单的例子：

“帮我订一张明天从北京到上海的机票”

我们要解析成：

{
  "intent": "book_flight",
  "slots": {
    "date": "明天",
    "from_city": "北京",
    "to_city": "上海"
  }
}

你看，本质上就是一个“结构化理解”。

二、为什么这件事很难？

很多人一开始觉得：

👉 不就分类 + NER 吗？

但真正做起来你会发现：

1️⃣ 表达太多样

• 明天去上海
• 我要飞上海
• 帮我订张去魔都的票

👉 全是一个意图

2️⃣ 槽位不完整

• “帮我订票” → 缺日期
• “明天去上海” → 缺出发地

👉 系统必须能“追问”

3️⃣ 噪声极多

• “我想大概后天 maybe 去上海吧？”

👉 NLP 的现实就是 messy

三、先来一个最朴素版本（能跑最重要）

我们先不用大模型，直接用传统方法搞一版。

Step 1：意图识别（文本分类）

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression

texts = [
    "帮我订机票",
    "我要买机票",
    "查一下天气",
    "今天上海天气怎么样"
]

labels = [
    "book_flight",
    "book_flight",
    "check_weather",
    "check_weather"
]

vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(texts)

model = LogisticRegression()
model.fit(X, labels)

def predict_intent(text):
    x = vectorizer.transform([text])
    return model.predict(x)[0]

print(predict_intent("帮我订一张票"))

👉 这一步解决：

• 用户“想干嘛”

Step 2：槽位提取（规则版）

import re

def extract_slots(text):
    slots = {}

    # 简单城市识别
    if "北京" in text:
        slots["from_city"] = "北京"
    if "上海" in text:
        slots["to_city"] = "上海"

    # 日期识别
    if "明天" in text:
        slots["date"] = "明天"

    return slots

print(extract_slots("帮我订明天从北京到上海的机票"))

👉 很土，但有效

四、升级一下：用深度学习做联合建模

真正工业级的做法是：

Intent + Slot 一起建模（Joint Model）

为什么？

👉 因为它们是强相关的。

一个简单的 BiLSTM + CRF 示例

import torch
import torch.nn as nn

class JointModel(nn.Module):
    def __init__(self, vocab_size, hidden_dim, num_intents, num_slots):
        super().__init__()
        self.embedding = nn.Embedding(vocab_size, 128)
        self.lstm = nn.LSTM(128, hidden_dim, bidirectional=True, batch_first=True)
        
        self.intent_fc = nn.Linear(hidden_dim * 2, num_intents)
        self.slot_fc = nn.Linear(hidden_dim * 2, num_slots)

    def forward(self, x):
        emb = self.embedding(x)
        output, _ = self.lstm(emb)

        # intent 用最后一个 hidden
        intent_logits = self.intent_fc(output[:, -1, :])

        # slot 用每个 token
        slot_logits = self.slot_fc(output)

        return intent_logits, slot_logits

👉 核心思想：

• 一次输入
• 两个输出（intent + slot）

五、再往上走一步：用预训练模型（推荐）

现在还手写 LSTM 的人，说实话已经不多了。

直接上 BERT：

from transformers import BertTokenizer, BertModel
import torch.nn as nn

class BertNLU(nn.Module):
    def __init__(self, num_intents, num_slots):
        super().__init__()
        self.bert = BertModel.from_pretrained("bert-base-chinese")
        
        self.intent_fc = nn.Linear(768, num_intents)
        self.slot_fc = nn.Linear(768, num_slots)

    def forward(self, input_ids, attention_mask):
        outputs = self.bert(input_ids=input_ids, attention_mask=attention_mask)
        
        sequence_output = outputs.last_hidden_state
        pooled_output = outputs.pooler_output

        intent_logits = self.intent_fc(pooled_output)
        slot_logits = self.slot_fc(sequence_output)

        return intent_logits, slot_logits

👉 优点：

• 少量数据也能起飞
• 表达能力强
• 更鲁棒

六、对话系统真正难的，其实不是模型

我讲点“踩坑经验”，这部分很多文章不会说。

1️⃣ 槽位标准化（巨坑）

用户说：

• “魔都” → 上海
• “帝都” → 北京

你要统一：

city_map = {
    "魔都": "上海",
    "帝都": "北京"
}

👉 否则系统逻辑全乱

2️⃣ 多轮对话状态管理（核心）

dialog_state = {
    "intent": "book_flight",
    "slots": {
        "from_city": "北京"
    }
}

用户下一句：

“明天的”

👉 你必须补齐：

dialog_state["slots"]["date"] = "明天"

3️⃣ 缺失槽位要追问

required_slots = ["from_city", "to_city", "date"]

def check_missing(slots):
    return [s for s in required_slots if s not in slots]

👉 这才像“会聊天”

七、一个完整流程（工程视角）

我帮你总结一个落地架构：

用户输入
   ↓
意图识别
   ↓
槽位提取
   ↓
状态管理（多轮）
   ↓
缺失补齐（追问）
   ↓
业务执行

八、说点真心话：大模型时代，这一套还重要吗？

很多人现在会问：

有大模型了，还需要意图识别吗？

我的答案是：

👉 更需要了。

原因很现实：

• 大模型不稳定
• 成本高
• 可控性差

而：

意图 + 槽位 = 可控的“确定性系统”

最佳实践是：

👉 小模型做结构化理解 + 大模型做补充理解

九、我的一点感受

我做对话系统这么多年，有一个越来越深的体会：

对话系统不是“让机器更聪明”，而是“让系统更可控”。

很多团队一味追求 fancy：

• 用最牛的模型
• 做最复杂的 pipeline

结果：

👉 一上线就崩

反而是那些：

• 意图清晰
• 槽位干净
• 流程简单

的系统，活得最长。

十、结尾：别做“听不懂人话”的系统

如果你现在的系统：

• 靠关键词匹配
• 经常理解错
• 无法处理多轮对话

那你真的该重构一遍了。

因为：

对话系统的本质，不是“说话”，而是“理解”。

而“理解”的第一步，就是：

👉 意图识别 + 槽位提取