利用NLP技术构建聊天机器人
查询天气机器人处理流程
首先该机器人的定位为查询天气的机器人，是一种任务型的机器人，用来处理用户查询天气的要求。
1）用户输入的预处理
当用户输入“请问今天深圳的天气怎么样？”这样一段字符串时，需要进行两步预处理才能很好的被后续的NLP模型处理。这两步是分词和词的向量化。
我们知道，在中文中，构成语义的最小单元是词。我们在语文学习的早期，老师也会教我们如何去断句。同样，利用NLP技术去处理一个句子的前提就是“断句”，在NLP中叫分词，就是把句子切分成一个一个的词。例如：“请问今天的天气怎么样？”，分词之后的结果为“请问/今天/深圳/的/天气/怎么样/？”
通过分词，我们将句子切分为一个一个词的表示。这个时候，用户的输入还是几个分隔开的字符串。字符串的编码同语义是毫无关系的，更好的表示词的方式，应该是利用相应NLP技术，将词进行向量化的表示。向量化的表示，可以表示词语之间的关系以及便于后续模型的计算。
2）意图识别
经过预处理之后，用户输入“请问今天深圳的天气怎么样？”变成了一个向量列表[[1,0,0,0,0,0],[0,1,0,0,0,0],[0,0,1,0,0,0], [0,0,0,1,0,0], [0,0,0,0,1,0]，[0,0,0,0,0,1]]，六个词分别都有他们的向量表示（这里用了one-hot的向量表示法，实际会用词向量）。这个时候，机器人就需要知道用户这句话的目的了。当然，这个机器人比较专注，他只关心用户是不是问天气，如果用户是询问天气，机器人就帮用户查询；如果不是，就做其他的处理。对用户输入的意图进行分析的技术，就是意图识别。本质上，就是各种各样的分类模型。在这个例子中，就是一个二分类模型。
3）实体识别
好了，这个时候，聪明的机器人已经听懂了用户是要查询天气了。但是用户是要查询哪里的天气？什么时候的天气呢？聪明的机器人当然有办法知道了，他有实体识别的工具，可以知道地点是“深圳”，时间是“今天”。实体识别是一项发展了很久，但至今仍然没有得到彻底解决的任务，后面会详细介绍。这个时候，聪明的机器人就能够请求相应的系统，例如中国天气网，去获取深圳今天的天气情况，然后反馈给客户了。