我无法具体与 wit.ai 交谈，但我可以告诉你一些类似应用程序的工作原理。具体来说，我可以谈谈Apache Stanbol，它还可以将自由文本转换为结构化数据。就是说，我应该在前面说“从这里到达那里”的方法不止一种。许多技术可以成为实现这一目标的堆栈的一部分。

无论如何，在 Stanbol 的情况下，他们通过多个处理引擎依次运行文本，不同的引擎影响最终输出。一个引擎简单地使用 OpenNLP 进行命名实体识别。这个身份是离散的，命名为“事物”——人、地点、公司等。另一个引擎与预先建立的实体数据库进行实体匹配——特别是（在开箱即用的配置中）来自DBPedia的实体转储。在找到匹配项的情况下，将原始输入中的文本分配给实体。在发生冲突的情况下，它会为映射分配权重，因此任何下游消费者都可以使用概率技术来选择“正确”的映射。

当然，我遗漏了更多细节。在 NER 发生之前，有解析和标记化以及其他 NLP 活动。但基本过程的很大一部分是进行 NER，然后进行实体匹配。

对于 Stanbol，您可以添加自己的实体和相应的结构化数据，以及您自己的引擎。因此，例如，如果您想编写基于神经网络/深度学习的引擎并将其插入，您可以。