自然语言理解理论实践-主要的语言理解任务(一)《个人学习笔记》

希望能多多交流，共同学习进步

主要的语言理解任务

首先，以介绍人机对话系统中使用语言理解为目标任务，进行之后的理论和实践背景的依据，来尽可能详细阐述清楚语言理解（SLU）这一重要的人工智能技术。
语言理解主要以域检测D、意图识别I 和填槽S为主要的任务；

1、域检测和意图识别

域检测或者意图识别 旨在检测出一句语言中若干个语义类。比如 说：我想明天从北京乘高铁去上海。当然每个人表达的方式可能不同，存在自由度（比如另个人说：想查询一下后天去上海的高铁班次），但是其语言中存在清晰的结构，并从结构出能分析出明确的意图，并通过从控制少量的训练数据就可以很好的进行归纳，即通过特定的词就可以明确说话者的意图.具体分析以上的语言‘乘高铁’或者‘高铁班次’可以理解为语义类‘列车班次’。在传统的文本统计方法中可以将特定文本x中i的概率最大化，例如后验概率p(i/x)。

2、填槽

首先语言域的语言结构是根据语义框架定义，每个语义框架都包括几个称为‘槽’的类型组件。填槽可以理解为话语分类，目的是根据说话者语言对每个语义结构中的槽位进行分类。
这样就让机器完成了对语言的‘理解’，现在看来在我们所认为的‘理解’在机器看来就是一个分类的任务，寻找一个最优的槽更是回到了我们上学所熟悉的找最优解求解任务，是的，正是如此，最开始传统的语言理解任务就是通过统计概率进行寻找最优解，而接着出现的深度学习神经网络这一逼近定理将过程复杂化。
简单点说语言理解任务可以理解为三个关键任务分别是：
1、域分类：用户在谈论什么，例如 旅行；
2、意图识别： 用户想要做什么，例如想定一班列车；
3、填槽：这项任务参数是什么，例如 几月几日去上海的列车。
三个重要的任务同时也反映了人类在理解语言的动作过程，只是机器将这些刨析出来，一个一个去解决。