什么是 NLU（自然语言理解）？

自然语言理解（NLU） 是一个更大主题中的技术概念 自然语言处理 。 NLU 是负责翻译自然人类单词的过程 转换为计算机可以解释的格式。 本质上，在计算机能够处理语言数据之前，它必须理解这些数据。

NLU 技术包括使用通用语法和语法规则，使计算机能够理解自然人类语言的含义和上下文。 这些技术的最终目标是让计算机对语言有“直观”的理解，能够像人类一样编写和理解语言，而无需不断参考单词的定义。

定义 NLU（自然语言理解）

计算机科学家和 NLP 专家使用多种技术来使计算机能够理解人类语言。 大多数技术属于“句法分析”范畴。 句法分析技术包括：

• 词形化
• 心情
• 分词
• 解析
• 形态分割
• 断句
• 语音标记的一部分

这些句法分析技术将语法规则应用于单词组，并尝试使用这些规则来导出含义。 相比之下，NLU 通过使用“语义分析”技术进行操作。

语义分析将计算机算法应用于文本，试图理解单词在自然上下文中的含义，而不是依赖基于规则的方法。 短语的语法正确/不正确并不一定与短语的有效性相关。 可能存在语法正确但无意义的短语，以及语法错误但有意义的短语。 为了区分单词最有意义的方面，NLU 应用了多种技术，旨在较少依赖语法结构和规则的情况下获取一组单词的含义。

NLU 是一个不断发展和变化的领域，它被认为是人工智能的难题之一。 人们正在开发各种技术和工具来让机器理解人类语言。 大多数 NLU 系统都有某些共同的核心组件。 需要该语言的词典，以及某种类型的文本解析器和语法规则来指导文本表示的创建。 该系统还需要语义理论来理解这些表示。 有多种语义理论用于解释语言，例如随机语义分析或朴素语义。

常见的 NLU 技术包括：

• 命名实体识别
• 词义消歧

命名实体识别是识别“命名实体”的过程，这些实体是人、重要的地方/事物。 命名实体识别的工作原理是区分文本正文中的基本概念和引用，识别命名实体并将它们放入位置、日期、组织、人员、作品等类别中。基于语法规则的监督模型通常用于执行命名实体识别任务。

词义消歧是根据单词出现的上下文来确定单词的含义或意义的过程。词义消歧通常使用词性标注器来将目标单词置于上下文中。 词义消歧的监督方法包括使用 支持向量机 和基于记忆的学习。 然而，大多数词义消歧模型都是半监督模型，同时使用标记数据和未标记数据。

NLU（自然语言理解）的示例

NLU 的常见示例包括自动推理、自动票据路由、机器翻译和问答。

自动推理

自动推理 是一门旨在赋予机器某种逻辑或推理能力的学科。 它是认知科学的一个分支，致力于根据医学诊断进行推论或以编程方式/自动解决数学定理。 NLU 用于帮助收集和分析信息并根据信息生成结论。

自动票务路由

经常使用NLU 自动化客户服务任务。 当生成客户服务票时，聊天机器人和其他机器可以解释客户需求的基本性质，并将其路由到正确的部门。 公司每天都会收到数千个支持请求，因此 NLU 算法对于确定请求的优先级并使支持代理能够以更有效的方式处理它们非常有用。

机器翻译

将语音或文本从一种语言准确地翻译成另一种语言是很困难的。 实际上， 机器翻译 是 NLP 和 NLU 中最困难的问题之一。 许多机器翻译系统依赖语言规则在语言之间进行翻译，但研究人员正在寻求更复杂的语言之间翻译方法。 NLU 机器翻译试图通过保留与目标文本相关的上下文和语义信息来实现更准确的翻译。 最准确的机器翻译系统将语言规则与提取语义的算法结合起来。

问题回答

语音识别使用 NLU 技术让计算机 理解问题 用自然语言摆出姿势。 NLU 用于以自然语言向设备用户提供响应，而不是向他们提供可能答案的列表。 当您向数字助理提出问题时，NLU 用于帮助机器理解问题，根据识别的实体和先前陈述的上下文等特征选择最合适的答案。