通过对话语言理解（CLU）中的实体槽填充，应用程序可以跨多个交换促进无缝多轮次对话。 CLU 在整个多轮对话中逐渐提取并组织所需的详细信息，而不是通过复杂的表单或冗长的问题来让用户感到不知所措。
此功能可将僵化的问答交互转化为流畅的对话。 当需要时，CLU 模型会被提示请求缺失信息，从而生成更自然和直观的对话。
了解实体槽位填充
实体槽填充的工作原理是识别应用程序所需的结构化信息，并从用户输入系统地收集它。 将槽视为应用程序完成任务所需的特定类型信息的容器。 当用户提供了一些详细信息，但缺少其他信息时，CLU 模型会被提示查找缺失的部分。
该过程以三个关键元素为中心：
- 实体 是需要提取的特定数据点。
- 槽 是用于容纳这些实体的预定义容器。
- 对话连续性 保证在整个对话中保留和访问信息。
CLU 不会要求用户一开始就提供每一个细节，而是在对话展开时自然地显示信息。
多轮对话机制
借助 CLU 多轮次对话，用户可以按他们喜欢的顺序共享信息。 模型首先识别用户的意向，然后从其初始输入中提取任何可用的实体。
此方法适合人们自然沟通的方式。 用户可以更正以前的信息、在记住详细信息时添加详细信息，或提供在多个轮次内完成的部分信息。 对话保持一致，因为 CLU 跟踪所有收集的实体之间的关系。
使用方案
请考虑需要三条信息的餐厅预订系统：派对大小、日期和时间。
用户：“我想为四个人预订” 系统：“我可以帮助你安排预订！ 你更喜欢哪个日期？
用户：“这个星期五怎么样？ 系统：“完美！ 什么时间最适合你周五四人的聚会？
用户： “晚上 7 点会很棒” 系统： “优秀！ 我本周五晚上7点为四个人预留了一张桌子。
在此交换中，CLU 模型从用户输入中提取参与方大小、日期和时间。 每条信息的添加使对话更加自然流畅，而不是僵化的表单填写体验。
实体槽填充的优点
允许用户随时提供信息的实体槽填充创造了更自然的用户体验，而不要求他们提前记住所有需求。 用户可以在整个对话中更正或澄清信息，并且系统可以适应各种通信风格和首选项。 此过程可减轻认知负担，并使交互感觉更具对话性且事务性较低。
实体槽填充提高了准确性，因为会话上下文有助于消除实体和意图的歧义。 此方法仅收集任务完成所需的信息，同时提供可缩放的体系结构来处理具有多个依赖实体的复杂方案。 系统还妥善管理不完整或相互矛盾的信息，使应用程序更加可靠且用户友好。