語言理解簡單來說就是把用戶說的話，轉換為一種結構化的語義表示，從方法上會分成兩個模塊：意圖的判定和屬性的抽取。

比如用戶說：“我要買一張下周去上海的飛機票，國航的“。第一個模塊就要返回理解，用戶的意圖是要買飛機票，第二，使用抽取模塊，要把這些關鍵的信息出處理出來，出發時間、目的地、航空公司，從而得到一個比較完整的結構化的表示。

那么，人機對話中的語言理解面臨哪些挑戰呢？我總結為四類：

表達的多樣性。同樣一個意圖，不同的用戶有不同的表達方式。那對于機器來說，雖然表達方式不一樣，但是意圖是一樣的，機器要能夠理解這件事情。

語言的歧義性。比如說，“我要去拉薩“，它是一首歌的名字。當用戶說：“我要去拉薩”的時候，他也可能是聽歌，也可能是買一張去拉薩的機票，也可能是買火車票，或者旅游。

語言理解的混亂性，因為用戶說話過程當中，比較自然隨意，語言理解要能夠捕獲住或者理解用戶的意圖。

?

上下文的理解。這是人機對話交互一個非常大的不同，它的理解要基于上下文。

在語言理解這一塊，我們把用戶語言的意圖理解抽象為一個分類問題，之后，就有一套相對標準的方法解決，比如CNN神經網絡、SVM分類器等等。阿里巴巴現在就是采用CNN神經網絡方法，并在詞的表示層面做了針對性的改進。機器要理解用戶的話的意思，背后一定要依賴于大量的知識。比如說，“大王叫我來巡山”是一首歌的名字，“愛探險的朵拉”是一個視頻，互聯網上百萬量級這樣開放領域的實體知識，并且每天都會有新的歌曲/視頻出現，如果沒有這樣大量的知識，機器是很難真的理解用戶的意圖的。那么，在詞的語義表示這塊，除了word embedding，還引入了基于知識的語義表示向量。

剛才提到了，用戶說的話實際上是比較隨意和自然的，那怎么樣讓這個模型有比較好的魯棒性來解決口語的隨意性問題呢？我們主要針對用戶標注的數據，通過算法自動加一些噪音，加噪之后（當然前提是不改變語義），基于這樣的數據再training模型，這樣處理之后模型就會有比較好的魯棒性了。

第二個模塊是屬性抽取，在這一塊，我們把它抽象為一個序列標注問題。這個問題，神經網絡也有比較成型的方法，我們現在也是用這種雙向LSTM，在上面有一層CRF解碼器，取得了不錯的效果，但是這背后更大的功夫來自于對數據的分析和加工。

以上所述的人機對話語言理解最大的特色就是基于上下文的理解，什么是上下文？我們看一個例子，用戶說：“北京天氣怎么樣？”，回答說，北京的天氣今天溫度34度。接著用戶說“上海呢？”，在這里用戶的潛臺詞是指上海的天氣，所以要能夠理解用戶說的話需要根據上文意思來分析。針對這樣的場景，我們再對問題做了一個抽象，在上下文的情況下，這句話和上文有關還是無關，把它抽象為二分的分類問題，做了抽象和簡化以后，這個問題就有相對成型的解決方法了。