自然语言处理：以智能语音赋能数字流程

过去十年自然语言处理最大变革，是从传统词汇模式识别转向机器学习和深度学习方法。

自然语言处理（NLP）使计算机能读文本、听语音、解读、衡量情感并判断重要部分。今日机器分析语言数据量超人类、无疲劳、一致且无偏见。

“NLP重要因其帮助消除语言歧义，为数据添加有用数值结构，服务于下游应用如语音识别或文本分析”，SAS UK & Ireland分析顾问Kayne Putman说。“意味着可广泛应用于欺诈风险分析、客户行为洞察提取等业务用例。根本上，引入NLP前必须建立良好数据分析并明确目标。”

自然语言处理发展

过去十年NLP最大变革，是从传统词汇模式识别转向机器学习和深度学习方法。近期在“词嵌入”技术上有进展，允许赋予单个词或词组一定语义含义。

“结果是高维数值向量，允许进一步模型训练和分析”，MathWorks高级工程经理Jos Martin说。“一旦部分语义含义转移至数值空间，许多新开发的深度学习技术即可供NLP系统设计者使用。”

例如，许多系统利用长短期记忆（LSTM）类循环神经网络，有助于学习句子、段落及其他语言块中词汇间关系。此类网络允许设计者预测序列中下一个词，或赋予未来几个词概率。

传统NLP中，词只是词——缺乏宽泛语境建立的意义、某种无意义短语。这正是我们通常将聊天机器人归类的方式，其受限于实时输入信息。

“对于高级NLP，我们可通过将词表示为数字向量改进语境理解”，IPsoft转型执行总监Johan Toll说。“不再仅将词理解为词，这使机器以极灵活方式理解词汇相似度和短语相似度。”

例如，理解“contract”（合同/收缩）在法律语境与黑帮电影中含义截然不同。区别于仅理解单一信息流和语言的聊天机器人，这实现多面向对话，按所需语境及语言类型定制。

据Toll称，高级NLP是促进者。“事实上，大多数AI发展和数字创新包含某种智能流程自动化（IPA），McKinsey估计公司50%-70%任务实现自动化”，他补充。“正是这种由NLP促成的自动化，使新AI应用开发成为可能，让组织准确获取、组织和识别海量有价值信息。”

随电商增长和全球市场扩张，网购消费者空前增多。为满足需求，组织采用新一代技术组合（含NLP）增强客户体验、提升品牌声誉、促进销售。Aspect研究发现92%受访者认可NLP在现代客服中的价值。

“任何前瞻性组织的关键要求，是提供多功能全渠道体验，让客户可选择包括虚拟助手、桌面或移动聊天机器人在内的自动化自助服务，以及传统沟通方式”，Aspect欧洲及非洲高级VP Stephen Ball解释。“自动化自助服务的真正回报，只有组织妥善实施这些新技术、全面掌握NLP技术才能收获。

“极其重要的是认识到：成功的NLP集成是需时费力的过程，要求投资AI及相关技术，能轻松适配公司需求，且足够先进以满足现代客户复杂多变的需求。为实现此目标，至关重要的是企业提供NLP和技术培训提升员工技能，并与外部合作伙伴合作，在短中期获取相关AI经验。”

从语调倾斜、用词选择、句间停顿判断某人沮丧或愤怒，直到最近仍被视为独有人类技能。新兴研究领域是情感分析。

情感分析是NLP一种形式，旨在从文本判断作者情绪，可能是恐惧、愤怒、厌恶、挫败、烦躁甚至悲伤。“此技术一应用将在呼叫中心——热线操作员可调整建议和语言更好满足客户需求，来电者无需明确表达挫败程度”，剑桥咨询机器学习工程师Sally Epstein评论。

更广泛创新领域是情感分析，用于判断自由文本是正面、中性还是负面。“利用情感分析可高效搜索海量文本文档、社交媒体帖子、产品评论以提取有意义趋势”，Epstein补充。“此洞察已被企业用于评估品牌消费者满意度。”
最重要的是这些技术可快速扩展，从不同地区方言和语言中获取洞察。

未来方面，更好的语音控制和语音识别将是NLP大领域。语音识别近几年显著改善，但距广泛应用仍有距离。部分进展将来自更好模型。

另一大领域是迁移学习在NLP中的成功应用。仅在过去一年，深度学习预训练模型才可用于NLP迁移学习，这意义重大，因迁移学习在计算机视觉已存在更久。这是巨大突破，允许用户受益于同一预训练模型（经微调），用于各类文本分析任务——从情感分析到问答。

文章作者Mark Venables。

自动化控制系统