最近刚刚把垃圾文本分类做完，接着又去研究意图识别，可以看做是分类完之后的后续处理，通过这篇文章记录下自己的学习经历。
1：意图识别要做啥？
最近在写文档的时候，写不出来的时候就回去看看需求，一定反复强调需求是什么，而技术也类似，我们一定要想明白技术要替我们解决什么。拿文本进行举例，我们看到有用户给我们一句话：“我想听德云社的相声”，那我们其实可以姑且将其意图归类于影音需求，别看将其归归类是个很简单活，但是这会对很多NLP应用带来很多的提升，比如在我们熟悉的搜索，我们搜索的时候如果涉及到一条信息对应多个分类的时候，这样搜索结果会比较差，但是如果我们通过意图识别发现用户是个游戏迷，我们就可以在用户搜索时将游戏的搜索结果优先返还给用户，这本身也是很有意义的一件事。
2：意图识别的方法
因为意图识别本身也是一个分类问题，其实方法和分类模型的方法大同小异。
常用的有：
1：基于词典模板的规则分类
2：基于过往日志匹配（适用于搜索引擎）
3：基于分类模型进行意图识别
这三种方式基本上是目前比较主流的方法，现在进行意图识别的难点主要是两点，一点是数据来源的匮乏，因为方法已经比较固定，基本都是有监督学习，需要很多的标记数据，现在我们常用的数据要么就是找专业标记团队去买（我们是自己标记的，很恶心。。），要么就是自己去爬，这方面还是很麻烦的。第二点是尽管是分类工作，但是意图识别分类种类很多，并且要求的准确性，拓展性都不是之前的分类可比的，这一点也是很困难的。
这次的思路是使用CNN+softmax进行分类，不同于传统的如SVM,决策树等传统的分类方法，
CNN对于长文本的分类效果还是不错的，但是在短文本上相较RNN还是有一些差距。
基本的思路与下图所述的论文相似：
既然CNN比不上RNN，为什么还是选取了CNN，我的想法是文本分词后一般会有粒度和语义的矛盾，粒度太大，分词效果不好，粒度太小，语义丢失，而CNN核心过程是卷积，我们可以通过CNN的卷积将分完词之后的词的语义结合在一起，从而获得更加准确的词向量。
现在说说这篇论文：
这篇论文的网络结构如下：
基本的结构为：输入层->第一层卷积层->池化层->全连接层+softmax层
现在也在进一步的尝试中，目前还有几个小trick：
1：是否可以使用字向量代替词向量？
2：输入的词向量是否可以多换几种表述方式？
这几个小trick等研究之后再来更新一下，我也是在学习中，大家如果有好的建议也请多多指教。
最后参考文献：
1：http://www.aclweb.org/anthology/D14-1181
2：https://arxiv.org/abs/1510.03820
第二篇文章是对第一篇文章的进一步研究以及调参建议，都挺有意思。
