Query意图识别（深度学习）产品系统

Query意图识别是自然语言理解（NLU）的核心能力，本质是从用户的字面查询中识别真实诉求与需求类型，解决 “系统只懂关键词、不懂用户目的” 的核心痛点，覆盖搜索、电商、客服、智能交互等几乎所有带用户查询入口的产品。
该技术已在多个行业深度落地。
搜索引擎行业：基础意图分类、搜索结果优化、商业广告精准投放、模糊Query补全
电商零售行业：商品搜索精准匹配、智能导购与种草、客服意图分流、用户需求挖掘
智能客服与企业服务：对话路由与坐席分配、自助问答触发、工单自动分类归档、风险预警升级
在线教育行业：智能答疑分类、课程精准推荐、教务流程自动化、教学内容优化
医疗健康行业：预问诊智能分诊、医疗咨询分类、健康科普推送、急重症风险预警
金融行业：智能客服自助办理、投顾需求匹配、保险服务自动化、合规风险识别
政务与公共服务：政务热线智能分流、办事服务导航、民生诉求分析
出行与本地生活：出行服务一键唤起、本地生活搜索优化、出行客服自动化
智能硬件与物联网：智能语音助手、车载语音交互、智能家居控制

设计了数据模块、模型模块、学习模块、系统模块、其他（配置、常量、工具等）模块。
数据模块：用于处理序列标注数据的Dataset类和各种数据处理与预处理、数据统计与元数据生成、数据集划分等函数。
模型模块：定义了Query意图识别模型LSTMModel，是一种基于LSTM实现的Query语句意图识别模型。
学习模块：模型训练和评估的核心逻辑。它包含了数据生产者和消费者的实现，训练和评估模型的函数，以及模型准备和保存的功能。通过使用多线程和多进程技术，该模块能够高效地处理大规模数据集，并在训练过程中动态评估模型性能。整个流程包括数据加载、模型训练、性能评估以及结果记录等关键步骤，为整个项目的运行提供了基础支持。
系统模块：一个用于Query意图识别的系统，包含模型加载、数据处理和意图预测功能。系统支持多种模型类型（如LSTMModel和XxxModel）以及不同的输出模式。通过使用预训练模型对输入文本序列进行编码和意图预测，系统能够为每个文本序列生成一个意图分类，用于分析文本序列的Query意图。该模块还包括结果保存功能，可以将文本序列分析结果输出到CSV文件中，以便进一步分析和使用。
其他（配置、常量、工具等）模块：用于辅助以上四个模块的辅助模块。

实现了深度学习模型、分词粒度分析、成分label融合、多线程加速训练、批量Query识别、实时Query识别、高度灵活定制
- 深度学习模型：基于深度学习LSTM实现的Query语句意图识别模型。该模型架构由三个主要部分组成
1. Embedding组件：将离散的分词token、成分label分别转为稠密向量。
2. LSTM组件：双向、可多层编码上下文语义。
3. Linear组件：映射到意图空间，得到意图分布。
- 分词粒度分析：对用户输入文本进行Query语句意图识别时，采取分词粒度的分析，而不是字符粒度的分析，从而最大程度地充分利用文本中的原始信息，避免文本信息丢失。
- 成分label融合：对用户输入文本进行Query语句成分分析后，将成分label序列与原始分词token序列融合最终进行Query意图识别。
- 多线程加速训练：在模型学习训练时，使用了多线程技术，能够最大限度地充分利用硬件资源来加速模型权重的训练速度。
- 批量Query识别：实现了一个用于批量序列识别的系统，能够为每个文本序列生成一个意图分类，用于识别文本序列的Query意图，在保存输出结果时，将文本序列识别结果输出到CSV文件中，同时将评测报告输出到TXT文件中，以便进一步分析和使用。
- 实时Query识别：实现了一个用于实时序列识别的系统，能够为当前输入的文本序列实时地生成一个意图分类，用于识别文本序列的Query意图。
- 高度灵活定制：实现了各种非常方便实用的灵活定制，包括模型类型（如LSTMModel等）、模型输出模式（包括统一一个整体模型输出、多个单独模型输出）、训练模式（包括接着原来的模型继续训练、重新训练模型）、运行模式（包括线上运行模式、线下调试模式）等。