我已经研究了wit.ai已有几天了。我找到了wit.ai bot引擎的要点：
- 基于故事 - 创建问候的故事，订购披萨，订购笔记本电脑，询问预报
- 基于角色的实体 - 位置：表格，位置：to。在这里"从"one_answers"到"是"位置"实体的角色
- 复合/嵌套实体 - 汽车（型号，颜色，模态）。这里的型号，颜色，模态可以嵌套在汽车实体下
- 搜索策略：特质，自由文本，关键字
- 通过创建一些故事来理解bot
- 在比赛中得分为置信度
- 用户表达式长度256在最大值
- 从预定义的关键字列表中进行搜索，匹配的表达
- 嵌套上下文
- 用户定义的实体，预定义的实体
- 基于实体的行动：如果只有，如果总是有条件，则
- 对于给定的用户表达式WIT搜索关键字列表中的匹配，免费文本
- 对于给定的用户表达式WIT搜索实体下列出的表达式中的关键字位置
- 在给定用户表达式中缺少信息的分支
- 机智的代词支持？不故事＃1用户：小部件x 2000多少？机器人：它的价格为30美元。故事＃2用户：在哪里可以买到窗口小部件x 2000？机器人：在您当地的百思买。故事＃2用户：小部件x 2000多少？机器人：它的价格为30美元。用户：我可以在哪里购买？ - 错误 - 使用上下文
- 对话意识到的实体提取尚未实施
- 是否有可能使wit.ai bot记住/重复整个故事的上下文？检查上下文是否存在
- 是否可以在wit.ai中设置默认意图？不，可以检查置信值，设置置信度的阈值，低于阈值特定响应
- 您可以优先在wit.ai中对实体进行排名吗？否
现在我想知道WIT如何检测用户表达的意图，并使用WIT.AI中创建的bot的故事对实体进行了分类。
如果有人了解WIT.AI中使用的基础技术/ML算法，请在此线程中分享。我希望这对像我这样的人会有所帮助。
预先感谢。
wit.ai的两个主要部分是：
- 意图分类
- 实体提取
对于实体提取，它使用了他们最近开源的小鸭库，您可以在那里的算法上找到详细的描述。
对于意图分类，我想他们使用文本分类方法，这些方法基于单词或更高级的单词嵌入方法，例如word2vec。
您还可以查看类似的完全开源项目，例如RASA，或用于上述任务的Spacy。