1

1

这种特异性需求通常需要自己按照需求对 NLP 模型进行训练。
现在市面上的流行架构是对自然语句做 NLU （语义理解），确定 intent （意图），并对意图涉及到的 Slot （槽位）进行抽取确定，之后对 slot value 做 normalize （标准化），生成标准请求字段请求下游资源，返回结果后进行结构化展示或者再 NLG （自然语言生成）到 answer
上面是提供思路，有没有轮子就不知道了。

2

@TimePPT 就是感觉学习成本比较高，有可以直接用的就好了，没有的话也只有慢慢学习了。

3

1

@bruce00 因为需求特异吧，市面上轮子比较多的是一些生活查询类的 bot，比如查个天气啥的，查 man page 这种估计也就程序猿用的多吧 233
其实这个好的一点是一般 man page 都是索引好的，下游资源不用太多处理，麻烦就麻烦在 NLU 这块，intent 要有数据训练分类器（如果仅仅是一个 domain 直接上过滤器就好），slot 抽取这块也比较麻烦。句式的支持上多样性越高对 NLU 的要求就越高，如果仅仅一种或者有限的几种句式的话可以试试自定义 Pattern 解决。

4

1

5

@TimePPT 感谢耐心科普，我现在对于识别不了的消息就是手动在数据库中标记对应命令；对话管理建立之后会轻松些，能做到即时学习；文本相似应该也能解决一部分。其它的处理方法就需要继续学习了

6

可以了解一下追一科技发起的 NL2SQL 比赛，现在比赛结束了，高分方案也都分享了出来。