自然语言处理有哪些商用进展？

发布网友 发布时间：2022-03-27 16:17

我来回答

共3个回答

热心网友 时间：2022-03-27 17:47

现如今自然语言处理的常用方法是：分词标注，文本分类，关键词分析，敏感用语识别，词频统计，观点归纳，情绪解析…也许很多号称自己是人工智能企业都会和你标榜他们有如上功能，然而其中真正有价值的却为数不多。举例来说，“观点归纳”和“文本分类”很多时候是依附在“关键词分析”之上；“敏感用语识别”更多是和行业相关，技术难度不大；“情绪解析”大多数AI只能做到正负极判断，无法识别具体情绪…换句话说，自然语言处理的难点或正真拉开差距的是如何做到关键词提取、结构分析、情绪识别等...而题主所问的自然语言处理的商业用途其实更适合落实到具体一个或几个文本处理功能可以带来怎么样的商业价值更合适。当然具体算法、怎样的神经网络、机器学习等这里就不具体展开了。由于笔者是专注于文本分析中的“情绪解析”一块，且恰所研发的AI可能是全国最好中文文本情绪解析引擎，故这里提一下我的思路。大数据营销解决方案一提到大数据（人工智能依赖大数据），有那么几个行业是怎么也避开不掉的：征信、医药、遥感、天文、交通以及营销等。其中自然语言处理可能会带来巨大变革的便是营销。之所以这样说，首先我们要明白营销的首要也是最重要的要素就是理解消费者。在如今互联网时代下，相较于以前传统的调研方式，营销人也的确拥有了更多的手段去洞察他们潜在的消费者肖像。然而，这样的方式始终只是机械化地从消费者行为记录中去提取，猜测他们的“相貌”，这样做不仅缺乏准确性，也同样因为无法直接和他们“交流”知晓他们真正的诉求。文本以及情感分析此时就很有必要了，现在巨量的消费行为都发生在电商上，这种现象带来的一个好处是品牌方有了一个渠道去整合、收集并分析消费者对产品的评价。基于自然语言处理技术，这些评价很有可能被提炼出非常有价值的商业洞察。而情绪解析，又可以为这些评价提供一个天然的真实的“标签”，我们可以知道哪些评论是“愤怒”的，哪些是“兴奋”的，又有哪些评论是“焦虑”的或“惊喜”的，来对评价进行更准确地分类及加权……除了电商评论，品牌方任何公关及广告都能帮助获取有用的文本数据，加上相应自然语言处理系统，这些文本数据能帮助品牌方去更直接更准确地理解消费者诉求。客服质检变革客服质检是个相对较小的行业，但是它却因为自然语言处理的成熟化而产生了质的变革，可以说他是被自然语言处理技术改变最多的行业之一也不为过。其实大家仔细想一想也就不难理解了，往常来说对客服人员的绩效考核都是难上加难。即便你有全程录音，但是由于数量关系更本无法做到去回顾每个客服人员的每一次通话，甚至是抽样都会消耗巨量的时间和人力。同时，客服质检拥有着很严重的滞后性，当客户对客服人员产生不满时，或客服的表现不够专业时，往往缺少有效的手段及时发现，从而导致事态的严重化…… 之前市场上最多的客服质检手段便是让用户在通话完毕后进行打分，然而想想我们自己是如何对待这件事的吧，且不说反馈率极低，这种打分极致严重缺少标准化，感性意识极强，对客户绩效考核、质检影响有限。而自然语言处理加上情绪识别已能很好的解决这个问题，通过关键词提取和敏感词预警能很好的规范客服人员的专业性，实时的双向情绪监控则能把控住通话局面，情绪解析系统特有的情绪波动指数能帮助制定规范公平的绩效考核制度……

热心网友 时间：2022-03-27 19:05

众所周知，网络文学的发展已经到了一个爆发式时间段，这点不仅归功于越来越普及的互联网使用，同时让这些文学作品不断增值的IP再开发也是主要诱因。且类似的开发计划一年比一年多，由此，网络文学的价值也真正地重视起来。然而，作为IP孵化上游产业的内容审阅这一工作却一直提高不了效率，至今还是用着最原始的堆叠人力的方式通过阅读文章来审核内容。这一点严重营销了优质IP的产出效率以及增加了巨量的人力成本。成熟文本情绪解析技术则能改编这个格局。因为在评判一个小说或文学作品优劣的时候，人脑肯定室友一个相对固定的评价标准及体系摆在那里的。尤其是是那些公认的优秀作品，他们所符合的标准更统一，更容易被提炼出来。只是以往，这些标准都只存在于那些经验丰富的从业人员的思维中，难以被表达出来而已。带有情绪解析的自然语言处理则能解决寻找“标准化”的问题，当AI能足够精准地定位作者在文中流露出的情绪时，那一部文学作品所包含的特征基本都已能被机器所识别，再通过大数据不断地迭代算法，一个同样无法被“语言表达”但却能准确评价文学作品的智能系统也就诞生了。

热心网友 时间：2022-03-27 20:39

从传统的语言学到我们现在的端到端的靠大量数据的训练结果，其间还有很大一块认知过程的坑没有被填上。有一个有意思的事情是，在大多数端到端的 NLP 应用中，在输入中包括一些语言学的特征（例如 pos tag 或 dependency tree）并不会对结果有重大影响。我们的一些粗浅的猜测，是因为目前的 NLP 做的这些特征，其实对于语义的表示都还比较差，某种程度来说所含信息还不如 word embedding 来的多。对于极其复杂、需要非常深的语义理解的任务来说，这些语言学特征并没有太多作用。这并不一定是对的——在结合语言学的规则与深度学习方面，太多实验等着我们去做了。