问小白 wenxiaobai
资讯
历史
科技
环境与自然
成长
游戏
财经
文学与艺术
美食
健康
家居
文化
情感
汽车
三农
军事
旅行
运动
教育
生活
星座命理

什么是自然语言理解(NLU)?

创作时间:
作者:
@小白创作中心

什么是自然语言理解(NLU)?

引用
1
来源
1.
https://botpress.com/zh/blog/what-is-natural-language-understanding-nlu

自然语言理解(NLU)可能听起来只是人工智能生态系统中的另一个缩写,但它对于让人工智能理解我们的真正意思是不可或缺的。Siri 如何分辨你是在问路还是在放歌?人工智能代理如何区分产品问题和支持请求?让我们来分析一下 NLU 是如何工作的,以及为什么它对更智能的人工智能交互是必要的。

什么是自然语言理解(NLU)?

自然语言理解(NLU)是自然语言处理(NLP)的一个子集,使机器能够解释和理解人类语言。NLU 用于人工智能聊天机器人、虚拟助手和情感分析工具。它能让机器准确解读用户意图--无论是文字还是语音--从而采取适当的后续行动。NLU 被认为是人工智能难题(也称为人工智能完备问题),这意味着它们需要人工智能才能解决。没有人工智能(AI),NLU是不可能解决的。

NLU是如何工作的?

NLU 可分解人类语言,解读其含义和意图。下面将逐步介绍其工作原理:

1.预处理文本

在开始分析之前,我们会对文本进行清理,去除不必要的元素,如标点符号和停顿词,以便将重点放在有意义的内容上。

2.确定关键要素

该系统可提取实体、关键词和短语,识别文本中最相关的部分,以便进一步分析。

3.分析句子结构

通过研究词语关系和语法,NLU 可以确定不同词语和概念在句子中是如何相互作用的。

4.与意图和目标相对应

提取的组件与预定义的意图或目标相匹配,帮助系统理解用户的目的。

5.结合上下文加深理解

过去的互动和上下文线索有助于提高准确性,使 NLU 系统能够根据对话历史记录调整回复。

6.生成结构化输出

最后,系统会产生一个结构化的响应,可以触发行动、执行命令或提供相关信息。

真实案例

让我们举例说明。帕特里克在工作中使用了一个人工智能代理,该代理集成了他所有的主要应用程序,包括他的日历。帕特里克向他的人工智能代理打字:"安排明天下午 1 点或类似时间与安琪会面。两周后安排一次跟进。"在代理人工智能工作流程中,他的代理将:

  1. 确定意图:代理确定 Patrick 想要安排一次会面
  2. 提取关键实体:代理确定 Patrick 说的是联系人 "Anqi"、时间 "下午 1 点 "和日期 "明天"。
  3. 语句分析:代理确定行动项目是 "日程安排",应该用安琪完成,时间和日期应该是明天下午 1 点。
  4. 语境理解:代理会检查 Patrick 和 Anqi 的日历,确保他们都有空。如果明天下午 1 点没有空,它就会按照要求提出一个类似的时间。
  5. 最后行动:代理人向 Patrick 和 Anqi 发送日历邀请,安排会议和后续行动。

NLU在现实世界中的应用

在日常生活中,您很可能会遇到无语言障碍环境,而且往往是在不知不觉中。以下是现实世界中最常见的一些应用:

潜在客户生成

自然语言理解(NLU)是人工智能潜在客户生成的关键组成部分,是通过对话式人工智能对潜在客户进行鉴定的一种形式。利用自然语言理解,聊天机器人可以识别潜在客户的需求和能力。在对潜在客户进行资格审查后,它们甚至可以直接与销售代表预约日历会议。

语音助手

Siri、Alexa 和 Google Assistant 等语音助手依靠 NLU 来理解您口语命令背后的意图。例如,当你说:"为我下午 2 点的美甲预约设置一个提醒 "时,助手会分解你的句子,识别意图(设置提醒)并提取实体(美甲预约、明天、下午 2 点)。NLU 使这些助理能够理解口头请求,并采取正确的后续行动。

客户服务聊天机器人

当您与客户支持聊天机器人互动并输入 "我的包裹在哪里?"时,机器人会使用 NLU 来判断您的意图是查看快递状态。它提取必要的实体--您的订单信息--并提供正确的更新。NLU 能够理解并响应客户的各种询问,是现代客户服务自动化的重要组成部分。

电子邮件分类和自动化

电子邮件自动化系统背后也有 NLU 的身影。例如,由 NLU 驱动的工具可以读取收到的电子邮件,理解其内容,并自动将其分为 "紧急"、"促销 "或 "会议 "等类别。这些系统甚至可以根据电子邮件的内容生成适当的回复,从而节省企业管理通信的时间。

用于反馈和调查的文本分析

公司通常使用 NLU 来分析调查、评论和社交媒体帖子中的反馈。NLU 可帮助识别书面语言中的模式和情感,从而了解客户的需求和意见。例如,NLU 系统可以扫描数百条客户评论,并通过情感分析判断大多数用户对特定功能的评价是正面还是负面。

NLU的主要组成部分

令牌化

标记化是将句子分解成更小的单位(如单词或短语),使人工智能更容易处理的过程。例如将 "安排明天下午 3 点开会 "标记为 ["Schedule," "a," "meeting," "for," "3 PM," "tomorrow" ]。

语音部分(POS)标记

POS 标记通过将每个词标记为名词、动词、形容词等来识别句子的语法结构。例如在 "安排会议 "中,人工智能将 "安排 "标记为动词,将 "会议 "标记为名词。

命名实体识别(NER)

命名实体识别(NER)可检测文本中的姓名、地点和日期等重要实体并对其进行分类。例如在 "预订下周五飞往纽约的机票 "中,人工智能将 "纽约 "作为一个地点,将 "下周五 "作为一个日期。

意图分类

意图分类可确定用户输入背后的基本目标或目的。例如"预订双人桌 "被归类为预订意图。

依赖关系解析

从属解析分析单词之间的关系,以了解句子的语法结构。例如在 "将报告发送给玛丽亚 "中,人工智能确定 "玛丽亚 "是报告的收件人。

背景分析

情境分析利用周围的对话或之前的互动来确保回复的相关性和准确性。举个例子:如果用户之前询问过某个特定项目,那么人工智能可能会根据这一背景调整未来的回复。

© 2023 北京元石科技有限公司 ◎ 京公网安备 11010802042949号