3.1 意图识别

3.1 意图识别（Intent Recognition）

本节摘要：意图识别是 NLU 的核心任务——判断"用户想做什么"。本节讲清意图的定义、识别流程、意图体系设计（分类怎么定）、以及"意图体系决定系统能力边界"的核心理解。

读前必看

阅读完本节，你应当能够：

1. 解释意图识别
2. 复述识别流程
3. 设计意图体系
4. 处理意图冲突
5. 评估识别效果

一、问题与直觉

"用户说'帮我订票'，系统要知道这是'订票'意图"——意图识别就是给用户的话打一个"目的标签"。这是 NLU 的第一步，也是最关键的一步：意图错了，后面全错。像给"用户想做什么"分类，分类准不准决定系统能不能接住话。

二、核心原理

意图识别的定位：

2.1 意图识别流程

2.2 意图体系设计

意图定得细：订机票 / 订酒店（分开）
意图定得粗：预订类（合并）
原则：按业务需求分，够用即可，别过度细分
​

💡 关键直觉：意图体系 = 系统的能力边界——没定义"退票"意图，用户说退票系统就听不懂。设计意图体系，就是定义"系统能接住哪些需求"。

三、工程实践要点

3.1 意图分类的粒度

3.2 常见意图问题

⚠️ 常见坑：意图体系设计太细。几十个意图让模型难分、标注费劲——从粗粒度起步，按数据反馈再细化。

3.3 评估意图识别

准确率：识别对不对
召回率：该接的接住了吗
低置信占比：多少进了澄清
​

核心回顾

• 要点一：意图识别 = 给用户的话打目的标签
• 要点二：输出意图 + 置信度
• 要点三：意图体系 = 能力边界
• 要点四：从粗粒度起步
• 要点五：低置信进澄清
• 要点六：意图错了全错

意图定了，下一节补信息——槽位填充与 NER。

深度扩展：意图识别的实现路线与数据集组织

前文讲了意图体系设计，这里把"怎么实现意图识别"补完整。按可用数据量从少到多，有三条路线：规则、文本分类模型、大模型少样本。

规则路线：用关键词、正则表达式匹配。适合意图明确、话术变化少的小场景（如内部工具命令）。优点是零训练、立刻上线；缺点是话术一变就失灵，通常只做兜底或初筛。

文本分类模型路线：把意图识别当作短文本多分类问题。需要一批"话术-意图"标注数据，训练一个分类器（早期用朴素贝叶斯、SVM，后来用预训练模型微调）。这是任务型对话最常用的路线，产出稳定、可离线评估。关键工作是整理数据集，标注集组织如下：

意图       | 训练话术示例（每条一列）
BOOK_FLIGHT| 帮我订机票 / 明天去上海 / 订一张后天北京到深圳的票
BOOK_HOTEL | 帮我订房 / 附近有酒店吗 / 住一晚多少钱
CANCEL     | 退票 / 不订了 / 帮我取消订单
​

大模型少样本路线：把意图体系写进提示词，配上几条示例让模型分类。冷启动最快、对长尾表达泛化好；缺点是每次调用有成本和延迟，且输出要校验是否落在合法意图集内。生产上常与规则/小模型组合：规则管高频精确，小模型管主干，大模型管冷启动与长尾。

意图冲突与优先级：当两个意图边界模糊（"订票"和"改签"都像），要么细化意图定义，要么给意图设优先级（新功能意图优先级高于通用意图），要么在低置信时走澄清。无论哪条路线，最终都要靠"准确率、召回率、低置信占比"三个指标持续评估——意图错了后面全错，这条线值得最重的投入。

动手练习：设计三个意图的标注集

给"餐厅点餐"场景设计一个最小意图体系与标注集。请定义三到四个意图（如点餐、加菜、结账、取消），每个意图写五条真实话术，再写三条"边界话术"——容易误判的（"再要一杯水"该算点餐还是加菜？"买单吧"是结账还是结束？）。写完后检查：意图是否够用不臃肿；边界话术是否触发了你对优先级/细分的思考；如果两条边界话术冲突，你倾向细化意图还是设优先级。这个练习比读十遍概念都有效——意图体系设计的功力，就是在一次次"这句算哪个意图"的权衡里练出来的。