多意图并发识别（用户真实意图是什么？）
1️⃣ 考察意图
面试官想考察你能否跳出“单意图分类”的舒适区，处理真实对话中“用户一句话包含多个诉求”的复杂场景。这是P1进阶题，刁钻点在于：模型输出多个标签后，如何判断哪个是核心意图、哪个是附带意图？ 答好了能展示你对多标签分类、序列标注、对话状态跟踪（DST）的工程取舍，以及从模型到对话管理的整条链路落地能力。考察类型是系统设计+工程取舍。
2️⃣ 标准答
多意图并发识别，核心是解决“用户一句话里藏了多个意图”的问题。比如“帮我订明天去北京的机票和酒店”，不能只识别“订机票”或“订酒店”，必须同时识别并处理。我分四步走：
- 模型选型：多标签分类 vs. 序列标注
- 多标签分类：用BERT微调，输出层用sigmoid激活，每个意图独立二分类。优点是简单，适合意图数量固定（如10-20个）的场景。缺点是无法捕捉意图间的顺序或依赖关系（如“先订机票再订酒店”）。
- 序列标注：用BERT+CRF，对每个token打标签（如B-订机票、I-订机票、B-订酒店）。优点是能提取意图对应的槽位（如“明天”是时间，“北京”是目的地），适合复杂对话。缺点是训练数据要求高，需要token级标注。
- 工程取舍：我倾向先用多标签分类快速上线，因为标注成本低；如果用户反馈意图混淆（如“取消订单”和“修改订单”同时出现），再引入序列标注做细粒度解析。
- 意图消歧：上下文+槽位填充
- 用户说“帮我退票”，但历史对话显示刚订了“北京-上海”的票，那“退票”意图明确。如果用户说“帮我改一下”，需要结合当前槽位（如“改时间”还是“改目的地”）来区分。
- 实际落地的坑：多意图中，槽位可能共享。比如“订明天去北京的机票和后天去上海的酒店”，时间槽“明天”和“后天”分别对应机票和酒店。解法是用指针网络或基于span的模型，让每个意图独立抽取槽位，避免混淆。
- 优先级排序：业务规则+模型置信度
- 用户说“帮我取消订单，再重新订一个”，两个意图冲突。我采用两阶段策略：
- 模型置信度排序：取sigmoid输出>0.5的意图，按置信度降序排列。
- 业务规则覆盖：如果“取消”和“预订”同时出现，优先执行“取消”，因为不取消就无法预订。规则写在对话管理层的if-else中，避免模型误判。
- trade-off：完全依赖模型置信度可能导致业务逻辑错误（如高置信度的“取消”但用户实际想“修改”），所以规则兜底是必须的。
- 对话管理：多轮确认 vs. 并行处理
- 多轮确认：适合高风险场景（如金融交易）。用户说“转1000给张三，再查余额”，系统先确认“是否要转1000给张三？”，再执行“查余额”。优点是安全，缺点是对话冗长。
- 并行处理：适合低风险场景（如信息查询）。用户说“北京天气和上海天气”，系统同时查询并返回。优点是快，缺点是如果意图冲突（如“开空调”和“关空调”），需要合并处理。
- 实际落地的坑：并行处理时，多个意图可能依赖同一资源（如查询数据库）。我用异步任务队列（如Celery）并行执行，但设置超时和熔断，避免一个意图失败拖垮整个流程。
- 评估：构建多意图测试集
- 不能用单意图的准确率，必须用多标签F1（每个意图独立计算，再宏平均）。同时，引入意图混淆率：统计用户实际意图和系统识别意图的差异，比如用户说“订机票和酒店”，系统只识别了“订机票”，算一次混淆。
- 具体数字：在订票Agent中，多标签F1达到0.92以上才上线，混淆率控制在5%以内。
3️⃣ 答题模板（30 秒电梯版）
“这个问题我从模型选型、意图消歧、优先级排序、对话管理四个层面回答。模型层面，先用多标签分类快速上线，复杂场景用序列标注；消歧层面，结合上下文和槽位填充，用指针网络避免槽位混淆；优先级排序，用模型置信度+业务规则兜底；对话管理，高风险用多轮确认，低风险用并行处理。总结一句：多意图识别不是模型单点问题，而是从标注到对话管理的整条链路工程取舍。”
4️⃣ 高频追问 & 应对
追问 1：如果用户说“帮我订机票和酒店”，但系统只识别出“订机票”，怎么排查问题？
排查三步走：1）检查模型输出：看sigmoid输出中“订酒店”的置信度是否低于阈值（如0.5），如果是，降低阈值或调整训练数据中多意图样本比例。2）检查训练数据：统计训练集中“订机票+订酒店”共现的样本数，如果太少，用数据增强（如随机组合单意图样本）或few-shot学习。3）检查槽位冲突：如果“订酒店”的槽位（如“入住时间”）被“订机票”的槽位（如“出发时间”）覆盖，用指针网络分离槽位抽取。
追问 2：多意图场景下，如何做在线推理优化？模型推理时间太长怎么办？
核心是模型蒸馏+缓存。1）蒸馏：用BERT-large蒸馏成TinyBERT或DistilBERT，推理速度提升3-5倍，F1下降不到1%。2）缓存：对高频意图组合（如“订机票+订酒店”）做结果缓存，命中率可达30%。3）异步处理：如果用户意图可并行（如“查天气+查新闻”），用异步推理，主线程先返回部分结果。trade-off是缓存可能过期（如“查今天天气”），所以设置TTL（如5分钟）。
追问 3：如果用户意图是模糊的，比如“帮我看看”，怎么处理？
用主动学习+多轮澄清。1）模型输出“查看”意图，但置信度低（<0.6），触发澄清轮：系统反问“您想查看订单、余额还是其他？”。2）如果用户历史有“查看订单”的倾向，用上下文优先假设。3）如果用户连续3次模糊，降级到人工客服。trade-off是澄清轮增加对话轮次，所以设置最大澄清次数（如2次），超过则默认执行最高置信度意图。
5️⃣ 避坑 · 常见错误答法
- ❌ “用BERT做多分类，输出一个意图就行。” → ✅ “多意图场景必须用多标签分类（sigmoid输出），否则会丢失信息。比如‘订机票和酒店’只输出‘订机票’，用户会投诉。”
- ❌ “模型识别出多个意图后，直接并行执行。” → ✅ “并行执行前必须做优先级排序，比如‘取消订单’和‘重新预订’冲突，需要先取消再预订，否则业务逻辑出错。”
- ❌ “评估用单意图准确率就行。” → ✅ “必须用多标签F1和意图混淆率，因为单意图准确率会掩盖多意图漏检问题。”
6️⃣ 简历呼应
- 如果你有RAG项目：从“多意图查询分解”角度切入，比如用户问“北京天气和上海天气”，RAG系统需要拆成两个子查询，分别检索后合并结果。强调你用过LangChain的MultiQueryRetriever。
- 如果你只做过传统NLP：用“意图分类+槽位填充”的pipeline类比，比如用CRF做序列标注，但指出多意图场景下需要多标签分类+指针网络，展示你对模型升级的理解。
- 如果你是校招无项目：聚焦论文复现，比如读过《Multi-Intent Natural Language Understanding》或《A Survey on Multi-Intent Detection》，用公开数据集（如MultiWOZ）做demo，展示你对多标签F1和混淆率的理解。
- 《Multi-Intent Natural Language Understanding: A Survey》 - 综述多意图识别方法
- 《BERT for Multi-label Text Classification》 - 多标签分类实战
- 《Pointer Networks for Slot Filling in Multi-Intent Scenarios》 - 槽位分离技术
- 《MultiWOZ: A Large-Scale Multi-Domain Wizard-of-Oz Dataset》 - 多意图对话数据集
- 《LangChain MultiQueryRetriever: Decomposing Complex Queries》 - RAG场景下的多意图分解