意图识别是搜索场景中必需的模块，它主要是针对用户的输入 Query 进行信息分类，进而针对输入的意图进行下一步的合理操作。意图识别的方法从基于规则模板到基于统计的方法，再到机器学习最后到当前的深度学习方法进化。
使用场景
意图识别除了是搜索引擎的标配，也是问答系统的必要环节。
搜索场景
在搜索系统中，搜索“如何做韭菜鸡蛋馅饺子”，主要意图是“做饺子”，而不是“做韭菜鸡蛋”，search 要以“做饺子”为核心。
问答系统场景
在问答系统中，用户问“我要买北京到首尔的机票”，意图是“买机票”，然后再在“买机票”这个领域继续去做语义识别。
方法进化史
意图识别是一个分类问题，其方法也都是围绕如何分类。
基于词典的规则模板分类
主要是通过分词、词性及正则表达式来构造模板。
但是，这种方法有很大的缺点：
- 人工工作量大，且比较难抽象；
- 通过规则覆盖率小，且易出现 bad case；
- 没有泛化能力，不适合通用领域，可以适用垂直领域。
基于统计的分类方法
通过相关的行为日志，根据相应的词频及后续行为进行分类，如搜索场景中，根据 query 对应的后续行为的统计进行分类。
该方法相比较基于规则的方式更具实战效果，但是也有很明显的缺点：
- 覆盖面比较广，但是对于长尾词容易出现识别错误；
- 对新的 query 无法正确识别，缺乏泛化能力。
基于机器学习的方法
传统机器学习方法，需要事先对数据进行人工标注，再进行分词，再结合如卡方检验等特征提取方法，然后再进行特征向量化，最后运用如 SVM、决策树等分类方法进行训练模型。
通过机器学习方法得到的模型，相比于传统的规则及统计的方式，更具代表性，泛化能力，但也存在着缺陷：
- 需要做一些特征提取等特征工作；
- 模型具有一定的泛化能力，但是鲁棒性有待挺高。
基于深度学习的方法
近年来随着深度学习的发展，文本分类问题也得到了很多解决方案，其中意图识别就可以理解成深度学习中的文本分类问题，其中比较代表性就是 2014 年发表的 TextCNN 算法，它将卷积神经网络算法应用在了文本处理上得到了比较好的效果。关于 TextCNN 的意图识别更多内容参照 TextCNN 原理及文本分类任务等详解，通俗易懂附源码。
