一、思路整理
- 定义与核心任务：用通俗语言解释意图识别的目标（从用户输入中解析出意图），并关联实际场景（如客服、智能助手）。
- 技术实现流程：分步骤拆解意图识别的典型流程（数据准备→模型训练→部署优化）。
- 大模型的核心作用：强调预训练模型（如BERT、GPT）如何提升语义理解能力，解决传统方法的局限性。
- 项目实战案例：结合真实项目说明技术选型、挑战解决和效果验证。
- 总结与展望：提炼技术价值，并延伸未来优化方向（如多模态意图识别）。
二、分点结构化
1. 意图识别的定义与核心任务
定义：
- 从用户输入的文本（如对话、搜索词）中识别其背后的目标或意图，例如将“帮我订一张明天去北京的机票”解析为“订机票”。
核心任务：
- 分类问题：将用户输入映射到预定义的意图类别（如“退款”“咨询”“投诉”）。
- 关键难点：
- 语义多样性（同一意图的不同表达，如“我要退钱”和“怎么申请退款”）。
- 短文本信息稀疏（例如用户输入“订单错了”需结合上下文明确是“修改订单”还是“取消订单”）。
2. 大模型意图识别的技术流程
步骤1：数据准备与增强
- 数据标注：定义意图标签体系，人工标注或弱监督标注（如聚类后筛选）。
- 数据增强：针对样本不均衡的意图，使用回译（中译英再译回中文）、同义词替换、生成对抗网络（GAN）扩充数据。
步骤2：模型选型与训练
- 预训练模型选择：
