什么使卡通标题有趣？作为一个算法找到：一个简单的可读句子，一个否定和一个代词，但不是“他”或“她”。算法继续挑选最有趣的字幕为成千上万的纽约人的卡通，在大多数情况下，匹配其编辑的直觉。
算法在理解语言方面变得越来越好，通过像IBM Watson赢得Jeopardy测验的故事，我们越来越意识到这一点。值得庆幸的是，大公司并没有保留自然语言理解（NLU）的最新突破。谷歌发布了word2vec工具，Facebook随后发布了他们的速度优化深度学习模块。由于语言是当今许多企业的核心，因此了解NLU是什么，以及如何使用它来实现一些业务目标很重要。在本文中，您将学习关于如何进入这个迷人而有用的领域的三个关键提示。
但首先的事情第一：“自然语言理解”是什么意思？每当计算机理解书面语言，或换句话说，导出词，句子或文本的意义，我们称之为自然语言理解。当理解口头语言（例如语音命令或记录的语音）时，称为自动语音识别的过程首先将其转换为书面词语。
NLU在技术上是自然语言处理（NLP）的更广泛领域的子领域，NLP是人工智能（AI）的子领域。许多NLP任务，如词性或文本分类，并不总是需要实际理解才能准确执行，但在某些情况下，它们可能会导致这两个术语之间的混淆。作为经验法则，构建理解意义的模型的算法落在自然语言理解之下，而不仅仅是自然语言处理。
自然语言理解的例子
让我们看看一些例子，我们的意思是“理解意义”，以非哲学的方式。对于我们的第一个例子，我们将关注关系提取。例如，“伦敦”的意思可以是多种关系，例如：“是城市”，“是英国首都”，“是白金汉宫的位置”，“是汇丰银行总部。这些是语义关系，并且NLU算法相当好地从非结构化文本中提取这样的关系。例如，华盛顿大学的开放信息提取系统通过分析句子结构从非结构化网页中提取了超过5亿个这样的关系。另一个例子是Microsoft的ProBase，它使用句法模式（“is a”，“such as”），并通过迭代和统计来解决歧义。然后将所有这些关系合并到知识分类中。同样，企业可以从与其业务相关的网页和文档中提取知识库。
意义也可以通过情绪表达。情感分析可以确定来自文本的情绪。对于企业来说，重要的是要了解其用户和客户的整体情绪，以及特定主题（如客户服务领域或特定产品功能）的情绪。
NLU的另一个流行的应用是聊天执行一个特定的任务，如购物或会议安排。有趣的是，这已经是技术上的挑战，人类常常隐藏在幕后。保持简单是构建bot的关键。
开始使用NLU - 这里是为什么和如何
好消息是，尽管有很多挑战，NLU正在爆发。这意味着无论您是使用产品评论，接收用户反馈还是与客户互动，您都可以立即开始使用NLU方法。以下是有关如何以及为什么开始使用的三个提示：
你可以选择最聪明的算法，而不必支付它
大多数算法作为开源公开提供。这是真正的心态弯曲，如果你想，你可以下载并开始使用相同的算法，谷歌用来打败世界的冠军，现在。许多机器学习工具包都带有一系列算法;哪一个是最好的取决于你试图预测和可用的数据量。虽然可能有一些一般性的指导原则，但最好通过循环选择正确的指南。
您对业务的深入了解比最佳算法更重要
将NLU集成到新产品或服务中时，了解具体业务领域（如何工作及其优先级）比掌握最佳算法更重要。考虑这个例子：一个允许您以自然语言查询Salesforce的赢咖4平台。了解用户可能询问哪些问题以及可以从Salesforce查询哪些数据比拥有最精确的语言解析器更重要。毕竟，使用“okay”算法解决正确问题比使用最佳算法的错误问题更重要。
很可能你已经有足够的数据来训练算法
Google可能是成功NLU赢咖4平台最多产的生产商。其搜索，机器翻译和广告推荐工作效果如此之好的原因是因为Google可以访问巨大的数据集。对于我们其余的人，当前的算法，如word2vec需要少得多的数据，以返回有用的结果。事实上，公司已经开始将这些工具集成到他们的工作流程中。如果您的企业有几千个产品评论或用户评论，您可以使用word2vec或其他语言建模方法，使用Gensim，Torch和TensorFlow等工具为您提供数据。
判断算法的准确性
这些都是给自然语言理解的好去处，但是你怎么知道算法的准确性是否足够？考虑它需要执行的分析类型和字段的宽度。分析范围从浅，如基于字的统计，忽略字序，到深，这意味着使用本体和解析。深度学习，尽管有名，并不意味着深入的分析，但它确实使传统的浅层方法更深。字段表示赢咖4平台区域，narrow表示专家域或特定任务。宽泛意味着对语言变化的语言没有限制。
根据经验，尝试根据此网格对您的问题进行分类：
浅分析，窄场
示例问题：确定特定公司的支持票的沮丧程度。
深度分析，窄场
