自然语言处理为数字处理提供声音

过去十年中自然语言处理的最大变化是从更传统的模式识别转向单词并转向机器和深度学习方法

自然语言处理 (NLP) 使计算机能够阅读文本、听到语音、解释它、测量情绪并确定哪些部分是重要的。与人类相比，今天的机器可以分析更多基于语言的数据，而且不会感到疲劳，而且以一致、公正的方式。

“NLP 很重要，因为它有助于解决语言中的歧义，并为许多下游应用程序的数据添加有用的数字结构，例如语音识别或文本分析，”SAS UK &Ireland 的分析顾问 Kayne Putman 说。 “这意味着它可以应用于各种业务用例，例如欺诈和风险分析或提取有关客户行为的见解。从根本上说，在将 NLP 引入环境之前，必须具备良好的数据分析能力并了解您想要实现的目标。”

自然语言处理的发展

在过去十年中，自然语言处理的最大变化是从更传统的单词模式识别转向机器和深度学习方法。最近在“词嵌入”技术方面取得了一些进展，该技术允许将某种程度的语义意义归因于单个词或词组。

“结果是一个高维数值向量，可以进行进一步的模型训练和分析，”MathWorks 高级工程经理 Jos Martin 说。 “一旦将一些语义意义转移到数值空间中，NLP 系统设计人员就可以使用许多其他最近开发的深度学习技术。”

例如，许多系统都利用了长短期记忆 (LSTM) 类型的循环神经网络，有助于更多地了解句子、段落和其他语言块中的单词之间的关系。这些类型的网络允许设计者预测序列中的下一个单词可能是什么，或者将概率归因于接下来的几个单词。

不仅仅是一个聊天机器人

在传统的自然语言处理中，单词只是单词——有些无意义的短语，缺乏由更广泛的上下文确定的含义。这就是我们通常对聊天机器人进行分类的方式，它受到实时提供给它的信息的限制。

“对于高级自然语言处理，我们可以通过将单词表示为数字向量来提高上下文理解，”IPsoft 转换执行总监 Johan Toll 说。 “这使得机器能够以非常灵活的方式理解单词相似性和短语相似性，而不仅仅是将单词理解为单词。”

例如，理解“合同”一词在法律环境中的含义与在黑帮电影中的含义截然不同。与仅理解单一信息流和语言的聊天机器人不同，这可以实现多方面的对话，除了使用的语言类型外，还可以根据所需的上下文进行定制。

根据 Toll 的说法，高级 NLP 是一个促进者。 “事实上，大多数人工智能发展和数字创新都包括某种形式的智能流程自动化 (IPA)，麦肯锡估计公司内 50% 到 70% 的任务是自动化的，”他补充道。 “正是这种由 NLP 促进的自动化，使得新的人工智能应用程序的开发成为可能，使组织能够准确地获取、组织和识别大量有价值的信息。 “

增强客户体验

随着电子商务的发展和不断扩大的全球市场，越来越多的消费者在网上购物。为了满足这种不断增长的需求，组织正在采用包括 NLP 在内的下一代技术的组合来增强他们的客户体验、提高品牌声誉和促进销售。 Aspect 进行的研究发现，92% 的受访者认识到自然语言处理在现代客户服务中的价值。

“任何有远见的组织的一个关键要求是提供多功能的全渠道体验，让客户可以选择使用自动化自助服务功能，包括虚拟助手和桌面或移动聊天机器人，以及传统的通信方式，”高级副总裁 Stephen Ball Aspect 的欧洲和非洲解释道。 “只有组织正确实施这些新技术，才能获得自动化自助服务的真正回报，而全面掌握自然语言处理 (NLP) 技术是实现这一目标的关键。

“认识到成功的自然语言处理集成是一个需要时间和精力的过程非常重要，并且需要投资人工智能和相关技术，这些技术可以很容易地适应公司的需求，最重要的是，它足够先进，可以满足现代客户复杂多变的需求。为了实现这一目标，企业必须为员工提供 NLP 和技术培训，并与外部合作伙伴合作以在短期和中期获得这种相关的 AI 经验。”

为自然语言处理添加情感

直到最近才被认为是人类独有的技能，能够理解某人是否因音调倾向、他们选择的单词以及句子之间的停顿而感到沮丧或愤怒。一个蓬勃发展的研究领域是情绪分析。

情绪分析是一种自然语言处理形式，旨在从文本中确定作者的情绪，情绪可能是恐惧、愤怒、厌恶、沮丧、激动甚至悲伤。 “这种引人入胜的技术的一个这样的应用将是在呼叫中心 - 热线接线员可以调整他们的建议和语言以更好地满足客户的需求，而呼叫者无需明确说明他们的挫败程度，”机器学习工程师 Sally Epstein，剑桥顾问评论。

更广泛的创新领域是情感分析，它用于确定自由格式文本的一部分是正面的、中性的还是负面的。 “使用情绪分析可以有效地搜索大量文本文档、社交媒体帖子或产品评论，以提取有意义的趋势，”Epstein 补充道。 “企业已经在使用这种洞察力来评估消费者对其品牌的满意度。”
最重要的是，这些技术可以快速扩展，以从不同的区域方言和语言中汲取洞察力。

自然语言处理的下一步是什么？

至于未来，更好的语音控制和语音识别将是自然语言处理的一大领域。虽然语音识别在过去几年中已经有了明显的进步，但在它足够好被更广泛地使用之前，还有一段路要走。这方面的部分进步将伴随着更好的模型。

另一个大领域将是迁移学习在自然语言处理中的成功应用。直到去年才有可能拥有用于自然语言处理中迁移学习的深度学习预训练模型，这很重要，因为迁移学习在计算机视觉中的应用时间更长。这是一个巨大的突破，因为它允许用户在各种文本分析任务（从情感分析到问答）中受益于相同的预训练模型，尽管有一些调整。

Mark Venables 的文章。