意图识别

本次尝试，采用了 深度学习和 机器学习两种方式去考虑相关的。前者采用embedding的词嵌入的方式基于lstm-dssm模型做司机问题和库文件中标准问题做相似度匹配。后者对数据少的信息采用smote方式扩容，采用tfidf和bow方法基于随机森林的方式训练。

数据集总共 1万8千条数据，130个类。标记为null的数据达到1万3千条，数据分布也极为不均衡，所以模型很容易出现 忽略小样本的问题 。

（1） lstm-dssm 记录输入句子的上下文， Lstm 这个模型更为擅长，因此又有了一种 Lstm 来构造的 DSSM 模型

由于 没有对文本特殊处理，采用 1对多个负样本，训练模型。最后输出准确率达到88%左右，大部分偏向了 1万3千个 样本的数据。

（2）随机森林

对 次数出现大于6次和不会NULL的50个分类的数据分析，采用bow和tfidf 对文本信息表达，

采用五折交叉验证，得到的准确率为 98.3%

采用第二种方式 的预测例子：

预测的结果，基本符合前期要求，设计公司的信息，就不展示了。

可以看出尝试了 多次测试，相关的问题不大部分都能分到对应的 标准问题里，对于分类错的数据，暂时归于语料 太少。