搜尋意圖： 如果你在找「意圖識別 是什麼」或「意圖識別 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 自動分析自然語言輸入，識別用戶的主要意圖或目標，用於驅動對話系統或任務執行。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
自動分析自然語言輸入，識別用戶的主要意圖或目標，用於驅動對話系統或任務執行。
核心概念
意圖識別（Intent Recognition）是多輪對話系統和任務導向系統的關鍵組件。在自然語言交互中，用戶往往使用多種表述方式表達同一個意圖。例如，用戶可能說「我想吃中餐」「有沒有好的中餐廳」「幫我預訂一家中餐館」，這些表述雖然用詞不同，但都表達了「訂餐」的意圖。意圖識別的任務就是識別這種抽象的高層意圖，為後續的對話管理和系統決策提供指導。
在實踐中，意圖識別通常被建模為文本分類問題。系統接收用戶的文本輸入，輸出一個預定義意圖集合中的某個意圖（或者是「無法識別」的特殊意圖）。預定義的意圖集合取決於系統的應用場景。一個購物助手的意圖集合可能包括「搜尋商品」「添加到購物車」「查詢價格」等；一個旅遊系統的意圖集合可能包括「查詢航班」「預訂酒店」「規劃行程」等。
意圖識別的難點在於處理自然語言的多樣性和歧義性。同一個表述可能對應多個意圖（多義性），或者完全相反的表述可能對應同一個意圖（多樣性）。此外，用戶的輸入可能包含多個意圖（複合意圖），例如「給我預訂一家便宜的中餐館，最好有停車位」涉及多個子意圖。系統需要能夠處理這些複雜情況。
運作原理
意圖識別系統通常包括資料準備、特徵提取、分類模型和後處理幾個步驟。
資料準備涉及收集和標註訓練資料。系統需要大量的用戶輸入示例，每個示例都被標註為其對應的意圖。標註過程可以由人工進行，也可以使用眾包平台加速。標註的品質直接影響最終模型的性能，因此需要定義清晰的意圖定義和標註指南。
特徵提取將自然語言文本轉換為模型可以處理的特徵表示。傳統方法使用詞袋（Bag of Words）或 TF-IDF 特徵，簡單但信息有限。現代方法使用預訓練的語言模型（如 BERT、RoBERTa）直接編碼文本，獲得更豐富的語義表示。
分類模型可以採用多種架構。簡單的方法使用邏輯回歸或支持向量機（SVM）等傳統機器學習模型，訓練快速且模型輕量。神經網路方法使用全連接層或捲積神經網路（CNN），特別是當處理序列特性時，循環神經網路（RNN）或 Transformer 架構能更好地捕捉序列依賴。在實踐中，使用預訓練的 Transformer 模型（如 BERT）加上一個分類層是主流選擇，兼具性能和效率。
後處理步驟包括處理邊界情況和提升魯棒性。例如，如果系統的輸出置信度低於某個閾值（如 0.5），系統可能返回「無法識別」而非進行低置信的預測。系統也可能使用簽名或規則捕捉一些強指示詞（如「天氣」通常指向「查詢天氣」意圖）。
實際應用
在客服機器人中，意圖識別是自動路由的第一步。當客戶說「我的訂單還沒到」，系統識別意圖為「查詢訂單」，將對話路由到訂單查詢機制；當客戶說「我要投訴服務質量」，系統識別意圖為「投訴」，將對話升級到人工客服。
在語音助手中（如 Siri、Alexa），意圖識別決定助手應該調用什麼功能。用戶說「設置鬧鐘」，系統識別意圖為「設置提醒」；用戶說「播放音樂」，系統識別意圖為「媒體控制」。
在智慧家居系統中，意圖識別解析用戶的語音命令。「打開客廳的燈」被識別為「控制照明」；「把溫度升高到 25 度」被識別為「控制溫度」。
在郵箱和消息系統中，意圖識別可以自動分類用戶的電子郵件。「我想預訂一個會議室」被識別為「日程相關」；「請審核這份文檔」被識別為「任務分配」。
在銀行和金融應用中，意圖識別幫助自動化系統處理客戶請求。「我想轉賬」識別為「轉賬意圖」；「我的卡被凍結了」識別為「安全問題」。
在電商推薦中，隱式意圖識別可以從用戶行為（瀏覽歷史、搜尋詞）推斷用戶可能的意圖，進行個性化推薦。
常見誤區
誤區一：認為意圖集合應該盡可能細粒度。過細的意圖分類導致訓練資料稀疏，模型性能下降。應該根據系統的能力和應用場景設計意圖層級，初期粗粒度，需要時再細分。
誤區二：認為一個用戶輸入只對應一個意圖。實際上，複合意圖很常見。系統應該能夠識別多個意圖，或者進行多標籤分類。
誤區三：認為訓練資料越多越好。實際上，資料的品質和代表性更重要。涵蓋各種語言變化的小資料集通常優於簡單堆砌的大資料集。
誤區四：忽視新意圖的發現。用戶可能表達系統訓練時未見過的新意圖。系統應該有機制識別這些新意圖並報告給系統維護者，以便逐步擴展意圖集合。
與相關技術的比較
意圖識別與情感分析：情感分析識別文本的感受色彩（積極、消極、中立），意圖識別識別文本的意圖。兩者是互補的：「這個產品太差了」可能同時包含負面情感和「投訴」意圖。兩者可以結合進行更全面的用戶理解。
意圖識別與命名實體識別（NER）：NER 識別文本中的實體（人名、地名、組織名等），意圖識別識別高層意圖。兩者經常搭配使用：識別意圖後，NER 提取與該意圖相關的實體。
意圖識別與話題分類：話題分類將文本分為不同話題（如體育、娛樂、政治），意圖識別分類文本表達的意願或目標。話題分類更多用於內容組織，意圖識別用於任務導向的系統。
意圖識別與關係提取：關係提取識別實體之間的關係，意圖識別識別用戶的意圖。兩者可以結合：識別意圖後，提取相關實體及其關係以完成任務。
常見問題
如何處理用戶表述中存在的多個意圖？
系統有幾種選擇。第一種是將多意圖表述視為單一的複合意圖（如「訂餐並查詢評分」），在訓練資料中標註並分類。第二種是使用多標籤分類，允許一個輸入被同時分類為多個意圖。第三種是使用順序決策，系統先識別主要意圖，再識別次要意圖或修飾。在實踐中，第二種方法最靈活，能夠在後續模組中單獨處理各個意圖。
當系統無法確定用戶的意圖時，應該怎麼辦？
系統應該避免進行低置信的預測。一種方法是設置置信度閾值，當最高分類分數低於閾值時，系統返回「無法識別」而非勉強分類。另一種方法是主動向用戶澄清：「您是想查詢天氣還是預訂酒店？」澄清可以基於最高的幾個備選意圖進行。第三種方法是使用拒絕分類，模型可以輸出「此輸入超出系統的意圖範圍」，並轉接給人工。
如何更新系統以識別新的意圖？
有兩種策略。第一種是定期重訓練，收集足夠新意圖的示例後，將其添加到訓練集並重訓模型。這確保模型充分適應新意圖。第二種是零樣本或少樣本學習，使用預訓練模型的泛化能力直接識別新意圖，而無需訓練新數據。預訓練模型如 BERT 擁有較強的泛化能力，可以在少量示例或甚至無示例的情況下進行新意圖識別。在實踐中，結合兩種方法最優：先用少樣本技術快速支持新意圖，再逐步收集資料進行更新。