machine-learning - wit.ai : how does it identify intent and classifies entities from user expressions

我已经学习wit.ai好几天了。我发现了wit.ai机器人引擎的关键点:

基于故事的故事-创建问候故事，订购比萨饼，订购笔记本电脑，询问天气预报

基于角色的实体-位置:表单，位置:收件人。此处“从”和“到”是“位置”实体

的角色

复合/嵌套实体-汽车(型号，颜色，modelYear)。在这里，模型，颜色，模型年份可以嵌套在汽车实体

下

搜索策略:特征，自由文本，关键字

通过创建一些故事来了解机器人

比赛得分被称为信心

最大

处的用户表达式长度256

从预定义的关键字列表中搜索匹配的表达式

嵌套上下文

用户定义的实体，预定义的实体

基于实体的操作:如果只有，如果始终有条件，则为

对于给定的用户表达式，机智在关键字列表中搜索匹配项，自由文本

对于给定的用户表达式，机智在实体

下搜索列出的表达式中的关键字位置

在给定的用户表达式

中缺少信息的分支

机智的代词支持吗？不
故事1用户:Widget X 2000多少钱？机器人:它的价格是30美元。故事2用户:在哪里可以买到Widget X 2000？ Bot:在您本地的百思买。
故事2
用户:Widget X 2000多少钱？机器人:它的价格是30美元。用户:我在哪里可以买到它？ - 错误 -
使用上下文

尚未实现 session 感知的实体提取

是否可以使wit.ai机器人记住/重用故事中的上下文？检查context.key是否存在

是否可以在Wit.ai中设置默认意图？否，可以检查置信度值，设置置信度阈值，低于阈值特定响应

您可以在Wit.ai中按优先级对实体进行排名吗？没有

现在，我想知道wit如何检测用户表达的意图，并使用wit.ai中创建的bot的故事对实体进行分类。

如果有人了解wit.ai中使用的基础技术/ML算法，请在此线程中分享。我希望它将对像我这样的人有所帮助。

提前致谢。

最佳答案

wit.ai的两个主要部分是:

意图分类

实体提取

对于实体提取，它使用了duckling库，他们最近开放了该库的源代码，您可以在此处找到有关算法的详细说明。

对于意图分类，我想他们使用基于词袋的文本分类方法或更高级的词嵌入方法(例如word2vec)。

您还可以查看上述两项任务的相似的完全开源项目，例如Rasa或spaCy。

关于machine-learning - wit.ai : how does it identify intent and classifies entities from user expressions，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/42802400/