3.2 槽位填充与 NER
3.2 槽位填充（Slot Filling）/命名实体识别（NER）
本节摘要：意图定了，还差"信息"——订票要日期、城市。槽位填充就是提取这些信息。本节讲清槽位的概念、NER（识别实体）与槽位填充的关系、提取流程，以及"槽位缺失时的追问策略"。
学习目标
阅读完本节，你应当能够：
- 理解槽位的概念
- 区分 NER 与槽位填充
- 复述提取流程
- 设计槽位追问
- 评估提取效果
一、问题与直觉
"订票"知道了，但"哪天的票、去哪"还不知道——这些可变信息就是槽位。槽位填充 = 从用户的话里把槽位值提取出来：日期、城市、人数……像填表，只是自动从对话里填。
二、核心原理
2.1 槽位与 NER
- NER：识别文本中的实体（人名、地名、日期）
- 槽位填充：把实体填到任务的槽位里
2.2 槽位示意
💡 关键直觉：意图决定"需要哪些槽位"，槽位填充决定"拿到没有"——意图是任务，槽位是任务的参数。缺参数就追问，齐了才能执行。
三、工程实践要点
3.1 槽位追问策略
缺日期 → "请问您哪天出发？" 缺城市 → "请问去哪？" 缺人数 → "几位出行？"
⚠️ 常见坑：一次追问多个槽位。一次问一个最清晰——用户一次能答一个，连珠炮式提问体验差。
3.2 槽位提取方式
| 方式 | 说明 |
|---|---|
| 规则 | 正则匹配日期等 |
| NER 模型 | 通用实体识别 |
| 大模型 | 少样本抽取 |
3.3 评估提取
提取准确率：填对的槽位占比 缺失率：该填的没填上 错误填充：填错的槽位
本节速览
- 要点一：槽位 = 任务的可变参数
- 要点二：NER 找实体，填充填槽位
- 要点三：意图定槽位，填充看进度
- 要点四：缺槽就追问，一次问一个
- 要点五：规则、NER、大模型三种方式
- 要点六：准确率 + 缺失率 + 错误率评估
槽位会填了，下一节辅助能力——文本分类与情感分析。
深度扩展：NER 的标注体系与序列标注实现
"NER 找实体、槽位填充填槽"要真正落地，需要一套实体标注体系和对应的模型。这里把最常用的做法说清楚。
标注体系：把一句话里的每个字/词标上"是否实体、什么实体、实体边界"。最常用的是 BIO 标注——B 表示实体开始，I 表示实体内部，O 表示非实体，后缀是实体类型：
句子：帮我订 明天 从 北京 去 上海 的机票 标注： 帮(O) 我(O) 订(O) 明(B-date) 天(I-date) 从(O) 北(B-city) 京(I-city) 去(O) 上(B-city) 海(I-city) 的(O) 机(O) 票(O)
这个标注把"明天是日期、北京和上海是城市"都编码进序列。有了标注数据，就能训练序列标注模型（条件随机场 CRF、BiLSTM-CRF，或让预训练模型输出标签序列）。模型产出的标签序列再映射回槽位值：
标注结果 → date: 明天, city: [北京, 上海] → 填入 BOOK_FLIGHT 的槽位
与大模型的结合：大模型可以直接从文本里抽取槽位（Few-shot 抽取），不必走 BIO 标注。但输出仍需校验格式、对齐合法槽位集，避免模型把"北京"抽成"出发地"而业务里只有 origin 字段。工程上常把大模型抽取结果与规则/模型结果做一次"置信融合"，低置信时走澄清。
槽位缺失的追问：槽位填充的目标不是"抽得越多越好"，而是"该有的都有"。每轮 NLU 结束后，把已填槽位与任务必需槽位对齐，缺哪个就触发哪个追问：
必需槽位: date, origin, dest, passenger_count 本轮填充: date=明天, origin=北京 缺失列表: dest, passenger_count → 追问"去哪？"（一次只问一个）
最后用准确率（填对的槽位占比）、缺失率（该填没填上的占比）、错误填充率三项做评估，并特别关注"改口后槽位是否正确覆盖"——这往往是实际系统最容易出问题的地方。
动手练习：手标一段 BIO
动手练一次标注，感受序列标注的粒度：取一句话"帮我订两张后天去深圳的高铁票"，先写出你认为是实体的词（日期、数量、城市），再给每个词标上 BIO 前缀与类型（date / count / city）。对照自己的答案思考两个问题：一是"两张"作为数量该标成一个实体还是并入"订"的上下文？二是"高铁票"里的"高铁"要不要单独标类型？你会发现边界判断需要结合业务需求——标注规范本身就是产品的一部分，定义不清，模型学不到你想要的东西。再进一步，试想如果用户说"订周五的，不，改周六"，这句里的"不，改周六"应该如何影响槽位覆盖？把它记为一条特殊测试样本，线上评估时重点盯这一类改口样本的表现。