Database Q/A Chatbot场景下自然语言查询实体/槽位识别方法咨询

你这个固定表结构的NL2DB（数据库自然语言接口）场景有天然的信息优势，所有合法的实体值都已经存在于你的数据库对应字段中，不需要依赖NER模型泛化识别未知值，用「离线词库召回+上下文规则消歧」的混合方案就可以解决你遇到的两个问题，具体实现步骤如下：

1 候选实体召回层（解决未训练值识别问题） #

• 先导出数据库中4个字段的所有唯一值，构建带标签的离线词库，每条数据格式为(实体值, 所属字段)，例如("A", "Interns")、("Mechanical Engineering", "Branch")
• 对用户输入的自然语言问句，先做文本切分，将所有连续文本片段和离线词库做模糊语义匹配：中文场景可用轻量向量模型text2vec-base-chinese，英文场景可用all-MiniLM-L6-v2，匹配阈值设为0.8~0.9即可，召回所有得分超过阈值的候选实体
• 额外补充格式校验规则：符合YYYY-MM-DD等常见日期格式的片段自动归为Birthday候选，纯数字且符合实习生薪资范围的片段自动归为Salary($/H)候选，进一步提升召回率

2 槽位归属消歧层（解决句式变化适配问题） #

• 先提前梳理每个字段对应的触发词词表，例如：
  • Interns触发词：实习生、intern、姓名、名字
  • Branch触发词：专业、系、branch、部门
  • Birthday触发词：生日、出生日期、出生年月
  • Salary触发词：薪资、工资、时薪、salary
• 计算候选实体和各字段触发词在问句中的字符距离，距离越近归属对应字段的概率越高：比如问句中「Mechanical Engineering」离「Branch」的距离只有3个字符，直接判定归属Branch字段
• 补充多实体拼接规则：如果多个同类型候选实体中间出现「和、与、and、or」等连接词，直接将这些实体打包为数组归到同一字段下，即可覆盖你提到的同时识别A、B、C三个实习生的需求

3 兜底方案：小样本LLM提取 #

如果遇到规则覆盖不到的特殊句式，可以直接用大模型做兜底提取，不需要微调，写死prompt模板即可：

现有一张实习生信息表，包含Interns（实习生姓名）、Branch（所属专业）、Birthday（出生日期）、Salary($/H)（时薪）四个字段。
用户提问：{此处替换为用户实际提问内容}
请提取提问中对应上述四个字段的实体，仅输出JSON格式，不需要任何额外解释。如果某字段没有对应实体就不输出该字段。

该方案对句式的适配性极强，只要用7B参数以上的开源大模型，准确率可以稳定在95%以上。

内容的提问来源于stack exchange，提问作者Jay Shukla