科技推荐：创建能够进行有意义对话的系统

科技改变生活，也在一定的程度上科改善生活！那么现如今生活条件越来越好以后大家更多的关注点都不同，但是近来有很大一部分了却同时关注到了创建能够进行故意义对话的系统的消息！

如果您发现自己经常与客户服务部门打交道，那么您可能已经注意到从传统语音录音和“按1 for x”指令的转变，以及更直观的方式。

这种现代服务方法具有能够接收和理解语音输入的自动化系统 - 换句话说，同意 客户发泄他们的挫折并让计算机解决问题。

由于机器学习的最新进展，该技术比大多数人认为的要复杂得多，特殊是当我们对此类事物的体验通常仅限于与Amazon Echo的交互时。自然语言处理是构建此类设备的框架，它负责一系列新的创新，包括功能强大的“ 聊天机器人 ”。这些能够确定查询或响应的主题，分析其内容，猎取上下文信息，并在许多情况下评估您的心情。

无论你是在问一个聪慧的演讲者本周会有什么样的天气，拨打电话查看最近的火车时间，或者打电话询问有关劣质用户体验的投诉，很可能自然语言处理(NLP)正在消逝在后台提供优质的服务，即使不是比人类更好。

这不仅仅是语音NLP可以提供的帮助。该技术还同意 我们的文字处理软件检查语法错误，它也支持谷歌翻译，尽最大努力确保用您无法阅读的语言的文档重新用于您可以使用的语言。它可以帮助您的银行使用的聊天机器人在眨眼之间理解并遵守您的要求。

一个非常棘手的问题需要解决

然而，有效的对话或阅读文本充满了细微差别，推论和推断。将语言分解为名词，动词，形容词和其他语言是一回事，但语言远不止构成句子的各种机制 - 而且这种复杂性增加了计算机难以解释和摹仿人类交互。

相同的单词可以具有不同的含义，具体取决于使用它的上下文。考虑一下这个例子：'飞机向左侧行驶'，或者“我把你给我的支票存入银行”。与“马克将他的鞋带绑成蝴蝶结”相比，“我站在船头”的情况怎么样 - 更不用说向观众鞠躬或用于射箭的装置。

知道每个句子中如何使用'bow'取决于周围单词提供的上下文。然而，有时候周围词语的背景也无济于事。例如，考虑“我用双筒望远镜看到了路径上的徒步旅行者”。谁有双筒望远镜 - 我还是徒步旅行者?

英语非常依赖于语境，非英语人士有困难，更不用说机器了。而在此之前，我们开始考虑各种高度个人化的特征，这些特征是说话人的特征，例如讽刺，讽刺和幽默，即便是我们人类也难以从单独的句子中判断出来。

NLP软件做什么?

NLP通过应用分析和算法来克服理解语言的问题，这些分析和算法可以帮助它对正在阅读的单词进行语境化。这有两个广泛的方面 - 语法和语义。

语法在这两个方面更为正式。它包括理解字典定义，了解句子如何组成(例如了解那些“词性”)和解析等技术。

解析是特殊相关的，因为这是关于理解句子实际意味着什么 - 或者，在上面的双目示例的情况下，它们属于谁。通常答案是在较早或较晚的句子中 - 有时更早或更晚。

语义是结构较少且通常更难的方面。它是关于理解句子上下文中单个单词的含义，例如“bow”的哪个定义最合适。

有很多不同的工具可以帮助NLP。例如，一个系统需要知道人，地点和事物的名称，以便它知道约翰可以是厕所的人或俚语，巴黎既是一个地方，也是一个名字。它需要理解依赖性 - 如果它在“小提琴”的同一个句子中看到'bow'，那就是意义上的一个重要线索。

我们到了吗?

为了实现NLP中涉及的一些任务，计算机需要学会“含糊” - 使用近似值并进行有根据的推测，如果证明是正确的，则告知他们接下来要做什么。机器学习有助于因为系统可以从错误(和成功)中学得更快，而不是人类可以教他们，并且提高处理器速度有助于NLP更接近实时工作。

不过，这是回答我们问题的一件事 - 这就是Siri，Alexa和Google Home所做的事情，而另一个则是一个明智的对话。Apple，亚马逊，谷歌和其他关键技术公司(如Watson)以及无数初创公司都在开辟自己的NLP系统，以解决一系列任务。这些包括客户服务和医疗保健中的对话机制，从大量文档中提取重要信息，甚至分析操纵垃圾邮件流的电子邮件。

已经有很多在线聊天机器人 - 但他们通常只处理简单的问答互动。一旦他们达到他们的能力极限，他们必须将查询升级为真实的人，不幸的是，对于最终用户来说，这不会花费很长时间。系统向来在不断改进，但我们距离客户服务行业所设想的无缝交互还有很长的路要走。