为了实现人机交流如同人与人之间的自然沟通，首先需要克服人机交流的障碍，即让机器能够学习和理解人类的语言。因此，在任务型对话系统中，用户输入的语言需先经过自然语言理解（NLU）模块处理，识别出用户语言中的“意图”、“实体”、“情感”和“态度”，以便系统后续能够准确评估用户的问题并给出相应的答复。

意图识别

当用户向客服机器人提出请求时，首要任务是确定用户的具体需求。意图识别就是从用户的自然语言文本或语音信号中提取出用户的意图。这一步骤相当于NLP中的文本分类任务。用户通常会用一句话表达自己的目的或需求，例如：“看看上个月的花费”、“查询上个月的账单”、“账单上的消费记录与实际不符，请帮我核对一下”。

尽管用户表达的方式多种多样，但即使只是账单查询，也有成千上万种不同的表述方式。因此，机器人除了要能理解账单查询的需求外，还应能够识别用户的其他需求，如“办理信用卡”、“推荐理财产品”等。

在面对这种多样性的情况下，需要在业务梳理阶段明确划分各种意图。而在模型优化阶段，则需要向机器人提供尽可能多且表达丰富的数据，使其能够更好地理解用户的意图。意图识别作为百度智能客服系统的重要组成部分，其准确性直接影响用户体验。意图通常是事先根据业务和使用场景定义好的，涵盖范围可以从几十个到上百个不等。

实体识别

与单轮的知识问答机器人不同，任务型对话机器人需要与用户进行多次互动。以“订餐”为例，仅仅知道用户有订餐的意愿是不够的，机器人还需要获取更具体的信息，例如“时间”、“地点”、“就餐人数”等。在定义意图时，需要预先设定一系列实体，通过多次对话收集这些实体的具体值，从而使模糊的目标更加具体化，最终帮助用户达成目的。

简而言之，实体指的是人名、地名、数字、日期、号码等概念的实例。在具体业务场景中，需要结合场景业务流程，配置自定义的实体，例如在办卡场景中的“卡名称”，在订餐场景中的“菜名”等。

例如，“我想预订西二旗附近的海底捞”是在“订餐”这一意图下提出的。假设我们预设了“时间”、“地点”、“就餐人数”，那么“西二旗”这个实体就对应于“地点”。这样，机器人就能在后续服务中以“西二旗”为筛选条件提供所需信息。而缺失的两个实体“时间”和“就餐人数”，则需要在后续的问答中进一步收集。

情感识别和态度识别

为了让机器能够提供更加人性化的服务，还需要赋予其感知用户情感和态度的能力。因此，情感和态度识别也是NLU模块的一部分。简单来说，机器可以根据用户的语句结构来判断用户在对话时的情感和态度。

情感识别是指通过分析对话文本，识别出发言者所表现出的情绪，一般分为积极、消极和中立三类；态度识别则是通过分析对话文本，识别出发言者的立场，一般包括肯定、否定和中立三类。在对话流程中，可以根据用户的情感和态度调整回复内容或引导对话流程。