如何设计一款垂直领域对话机器人，首先要了解一下对话型机器人要解决问题。
问题的语义理解的过程包括两个子任务：意图识别和实体抽取。
意图识别(intentionclassification)：用来识别用户所提问题的意图，也就是用户希望做一件什么事。
本文只是简单的阐述一下意图分析的典型思路和方法，并实现一个基本的意图分类器。
因为本文主要讨论垂直领域对话机器人的设计，所以用户的问题意图限定在了特定领域，因此答案的结果的准确率也会很高。
意图分类：做意图识别第0一步是要做意图分类，根据所在领域，搜集归纳数个意图。
并为意图命名。
数据准备：意图识别离不开数据，搜索领域的意图识别用到的数据通常就是用户的搜索日志了。
一般一条搜索日志记录会包括时间-查询串-点击URL记录-在结果中的位置等信息。
对话领域则需要批量的意图语料。
特征提取：特征的提取是为了方便进行分类计算，每一个特征都具备一定的权重，表明它的权值。
通过特征的权值，就能够确定句子属于哪一个类别。
这里我们将每一个字作为一个特征，1/（字出现的总次数）作为权值，并构建字典。
模型准备：模型准备需要的是建立分类模型。
这里我们通过给每一个特征赋予一个得分，然后将句子中每一个字的特征得分进行相加，然后就可以得到句子在某一个类别下特征的总得分，从而能够对句子进行分类。
训练模型：在完成特征任务后，接下来就是选择合适的分类器进行训练了，因为意图识别可以看作是一个多分类任务，所以通常可以选择SVM、决策树等来训练分类器。
完成以上工作后基本上一个意图识别分类模型就建立好了，接下来就是对已识别语句的实体进行抽取。
实体抽取(entityextraction)：用于提取用户对话中所提供的和意图相关的参数(实体)，例如：时间、地点等。
要想实现实体抽取，主要分为两步：系统分词：现在都有一些开源的分词工具
