编辑：道歉，如果这不是这类问题的适当空间 . 如果你能指点一个更好的论坛，我将不胜感激
我正在手动将NLP规则应用于聊天机器人 .
目前，我有一套简单的规则 - 遵循某些触发词的动作 .
例如： "Create the match on saturday."
这已经适用于相对简单的短语，如上面的例子，我希望像"create"这样的单词并将其指定为 action 单词，期望"match"然后将其指定为 object 实体; "saturday"作为 time 等
当我尝试扩展机器人可以处理的范围时，它变得更加复杂 . 这是我正在尝试处理的一个例子：
"Update the memo title of the match on saturday to 'Game Day'."
我不确定如何前进 .
我考虑手动扩展（期待）实体，然后尝试一种我仍在解析 action 单词的方法，但如果传递了某个不同的阈值 objects ，那么我执行该 action 的一个子集 .
例如： update 显然会发出一个动作信号，但添加"memo"，"title"，"'Game day'"表示动作的一个子集，因为这比一个更简单的"create match"更多 . 然后，针对预定的一组实体检查其他对象（如"title"）会将意图缩小到 update title .
我看到这个逻辑中有很多漏洞，尤其是因为复杂性甚至略有增加 .
这使我进入了依赖解析领域 .
但是看着dep . 解析，我想知道这是否在手动实现中是可行的 .
我将使用python代码，它不会深入学习 .
您如何看待我概述的基于规则的基本方法？对于特定于域的机器人来说，这听起来是否可行？
我是否应该考虑使用Python提供的NLP库，如NLTK或spaCy并使用它们的功能？我对使用这些功能（例如spaCy的依赖性解析器）的担心是它太过分了，或者处理我的域特定任务的复杂性增加了太多 . 此外，可能因为我还没有看到在另一个项目中有效使用它，我想我怀疑学术界或研究之外的依赖解析器的实用性 .
编辑：道歉，如果这不是这类问题的适当空间 . 如果你能指出我正确的方向，我将不胜感激