自然语言解决（Nature Language Processing，NLP）被誉为“人工智能技术皇冠上的明珠”，一方面表明了它的重要性，另一方面也显现出了它的技术难度。但 NLP 并不像语音辨认、图像识别等人工智能技术一样为人熟知，接下来的 5 分钟，咱们来疾速理解 NLP 技术，感触它的魅力。

NLP 是与自然语言的计算机解决无关的技术统称，为了更好地了解，咱们把“自然语言解决”拆分成为两局部：
1、自然语言——人和人之间书面或书面语交换的模式
2、解决——计算机对数据进行了解和剖析
换言之，自然语言解决就是让计算机了解人类语言，并进行相应的剖析。
咱们所熟知的苹果 Siri、微软小冰，就是自然语言解决的典型的利用，他们不仅可能了解咱们所说的话，还可能针对性地做出反馈。

先说论断：为了更加轻松、美妙的生存。
举一个简略的例子，当咱们须要让计算机解决某个问题或者实现某个性能，须要输出计算机可能了解的指令，也就是代码。
全世界知名度最高的代码莫过于“Hello World”，咱们想让计算机“打印 Hello World”，就须要用计算机了解的语言对它下达指令：

include <stdio.h>

int main()

{

printf(“Hello, World! \n”);

return 0;

}

而自然语言解决就是把人类的语言和文本转换成为机器可能了解的数据，再将机器对数据解析进去的后果转换成为人类的语言和文本，补救机器和人类之间的差距，帮忙人们更高效地解决问题。
首先举一个例子来了解利用 NLP 带来的【高效】。
搜寻是咱们平时获取信息的重要途径，但往往现有的搜索引擎很难第一工夫满足咱们的信息需要。

例如，想要查问“微信 MAU 有多少”，咱们失去的往往是下图这样须要消耗大量工夫去一一二次查找的链接，甚至一番查找过后，依然得不到须要的精确信息。

而利用 NLP 技术的智能搜寻通过了解人类语言和文本，在信息获取需要和海量数据信息之间，可能架起一座中转的桥梁。
虎博搜寻就是这样一款基于语义了解的下一代搜索引擎，区别于曾经连续了 20 年的基于关键词匹配的上一代搜索引擎，虎博搜寻能够了解自然语言的搜寻用意，并且返回直观的结构化搜寻后果，实现问答式的搜寻体验。
搜寻同样的问题，失去的就是通过语义搜寻提取到的腾讯财报中的精确数据——12.061 亿（微信及 Wechat 的合并月沉闷账户数）。

在一键获取无效后果的背地，是 NLP 技术的综合利用，机器须要了解查问的用意，晓得微信这个实体从属于哪家公司，明确 MAU 所指代的具体含意，再将腾讯财报中非结构化的数据转化成为结构化的数据出现进去。
一键获取外围财经数据及行业剖析，体验不一样的问答式搜寻，可登陆虎博搜寻 PC 版（search.tigerobo.com）。

这种高效具体是如何实现的呢？首先咱们要明确，既然自然语言解决要解决的是人类和机器的沟通阻碍，那它就须要达成两个指标：
1、让计算机听得懂“人话”——即 NLU 自然语言了解，让计算机具备人类的语言理解能力

2、让计算机可能“讲人话”——即 NLG 自然语言生成，让计算机可能生成人类了解的语言和文本，比方文章、报告、图表等等

然而，不可否认的是，只管 Google I/ O 大会上的 Google Assistant 声称曾经通过了图灵测试，然而离机器真正了解人类语言仍有很长的间隔。
但在 NLPer 们的埋头苦干之下，机器曾经可能逐渐了解人类的语言和文本，并帮忙人们解决理论问题。
把人类的文本拆解来看，能够了解为词、句、关系的组合，要让机器了解人类语言和文本，首先要让机器对文本进行拆解剖析，以下是现阶段罕用的重要算法：
1、词法剖析

首先是对词和词组的剖析，包含分词解决、词性标注、命名实体辨认等。

分词解决，将多种语言的文字序列切分成有意义的词或词组。

词性标注，对分词后的每个独立单词进行词性判断并标注。

命名实体辨认，从输出信息中自动识别出命名实体，如姓名、工夫、地点以及机构等。
2、句法依存剖析
词法剖析过后，通过词汇之间的依存关系来拆解整个句子构造，依存关系表白了句子各成分之间的语义依赖关系，比方主谓、动宾、定中等构造关系。

3、关系 / 常识抽取
句法分析过后，就能够抽取信息中的特定实体之间的关系。例如从属关系、亲属关系、同义关系等。

上图就是利用算法让机器对文本进行了解的例子，通过拆解剖析，机器就可能了解“NLP 这个实体是从属于人工智能这个学科的钻研方向”。
当机器抽取出了人类语言中的关系或常识，进而就能够对语言和文本做更进一步的解决，例如：
1、文本类似度剖析
通过对输出的两个文本进行了解和比照，输入文本之间的类似水平。下图是对《证券日报》和《上海证券报》无关腾讯往年二季度业务报道的比照，尽管两篇报道主题雷同，然而具体报道内容各有偏重，机器可能辨认进去二者内容并不类似。

文本类似度技术在网络内容主动排重、文章关联剖析、类似度检索等方面有着良好的利用成果。

2、语义聚类
主动对大量未分类的信息进行聚类，把内容相近的信息归为一类，并主动为该类生成主题词。

上图是对一段时间内无关银行业相干报道的聚类成果，首先将同类型信息演绎在一起，同时生成该类信息的热词：理财、银行、消金等等。语义聚类对于发现新热点、发现新事件等需要有着微小的辅助作用。能够为专题制作、热点追踪等泛滥业务场景提供方便。

3、文本摘要
依据输出信息，对其进行了解，精简提炼出外围信息，造成摘要。文本摘要能够不便用户疾速预览信息。

下图就是对前文提到的《上海证券报》报道进行的摘要示意，能够看到摘要精确提取到了报道中所重点论述的净利润的财务指标及微信月活用户数的业务指标。

现阶段 NLP 技术对文本的解决还有很多，此处只做一小部分举例。

当 NLP 技术对文本的解决利用综合在一起，就能帮忙解决人们在工作和生存场景中的理论问题，现阶段最典型的利用包含智能搜寻、智能问答、智能舆情等。
1、智能搜寻

诞生了 20 年的传统搜索引擎，次要基于关键词匹配来提供搜寻后果，返回的是一条一条链接，很多时候咱们须要一条一条的点开、浏览，能力找到咱们所须要的信息。

而应用了 NLP 技术的下一代搜索引擎，体验更偏差于问答，首先了解用户搜寻的实在用意，再对它所了解过的海量信息进行匹配，最终反馈一个精准的后果。这样就能大幅度提高检索数据、信息的效率。

还是以下一代搜索引擎虎博搜寻来举例。电商直播能够说是往年最热的风口之一，如果想要理解电商直播的市场规模，查问相干的钻研数据，通过虎博搜寻即可疾速失去。

虎博搜寻的底层外围智能搜寻技术，还能够利用于企业和机构的具体业务场景中，例如关联关系剖析、多重维度比照、危险评估判断、海量文档资讯治理、竞品钻研剖析、行业钻研剖析等。

更多 NLP 技术产品及落地利用案例，可点击浏览原文，或登陆虎博科技官网（tigerobo.com）理解。

2、智能问答

智能问答是智能搜寻的另一种利用状态，外围依然在于了解。区别于传统的关键词匹配及预设问答的零碎，智能问答通过了解人类语言和文本，可能有更加精准地回复，并且能够 7 *24 小时在线。可广泛应用于产品业务征询、服务疏导、坐席分流、主动问答、自助查问办理、回访与调研。

3、智能舆情

传统的舆情零碎，仍次要基于关键词的匹配对海量舆情进行监测和断定，如果一条资讯或者一则政策中没有当时所设置好的关键词，那就会呈现两个后果，一是舆情脱漏，二是须要大量人工核验。

天然地，如果应用了 NLP 技术，让机器从了解文本含意自身动手进行舆情监测，就能很大水平上缩小上述两种状况的产生，以防止由此带来的危险危机和人力节约。可广泛应用于交易决策参考、危险防控辅助、舆论态势感知、敏感信息预警、竞品跟踪剖析、口碑形象治理等。

NLP 的技术利用还有很多，以上只做局部举例。NLP 技术最大的价值，更在于与理论的业务场景相结合后，带来的服务、产品的翻新以及辅助不同畛域企业和机构发明出更大的商业价值。在后续的系列文章中，将为大家带来更详尽 NLP 业务场景价值解读。
当然，NLP 技术的落地利用还在一直的拓展和演变，NLP 技术也尚处在晚期的研发摸索阶段，但它是推动人工智能从弱人工智能走向强人工智能的要害突破口，设想一下，当机器真正了解人类的语言和文本，可能思考和推理，并且帮忙人们解决人力所无奈解决的问题的时候，或者人类就可能在机器的帮忙下，更好地解决问题、摸索未知。