如果你发现自己经常与客户服务部门打交道，那么你可能已经注意到了传统语音记录和“按1代表x”指令的变化，以及更直观的方式。
这种现代服务方法有一个自动化系统，可以接收和理解语音输入——换句话说，允许客户发泄他们的沮丧，让计算机解决问题。
由于机器学习的最新发展，这项技术比大多数人想象的要复杂得多，尤其是当我们对此类事情的体验通常仅限于与亚马逊Echo的交互时。自然语言处理是构建这种设备的框架，它负责一系列新的创新，包括功能强大的“聊天机器人”。这些可以确定查询或响应的主题，分析其内容，获得上下文信息，并且在许多情况下评估您的情绪。
无论你是询问智能扬声器本周的天气如何，打电话查看最新的火车时间，还是打电话询问对糟糕的用户体验的投诉，很可能自然语言处理(NLP)正在后台消失，以提供优质的服务，如果不是比人类更好的话。
这不仅仅是语音NLP能提供的帮助。这项技术还允许我们的文字处理软件检查语法错误，它还支持谷歌翻译，尽最大努力确保您无法阅读的语言的文档在您可以使用的语言中重用。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、推论和判断。把语言分解成名词、动词、形容词等语言是一回事，但语言远不止组成句子的各种机制——而这种复杂性使得计算机很难解释和模仿人类的交互。
同一个词可以有不同的意思，这取决于它在什么样的语境中使用。考虑这个例子：‘飞机向左行驶’，或者‘我将把你给我的支票存入银行’。比起“马克把鞋带系成蝴蝶结”，“我站在船头”的情况如何——更不用说向观众鞠躬或者射箭用的装置了。
知道如何在每个句子中使用bow取决于周围单词提供的上下文。但是，有时候周围文字的背景并没有什么帮助。例如，考虑“我看见徒步旅行者拿着双筒望远镜在路上”。谁有望远镜？-我是个徒步旅行者。
英语非常依赖语境，非英语人士都有困难，更别说机器了。在此之前，我们开始考虑各种高度个人化的特征，这是说话人的特点，比如讽刺、讽刺、幽默，这些甚至是我们人类很难从一句话中推断出来的。
NLP软件是做什么的？
NLP通过应用分析和算法来克服理解语言的问题，这可以帮助它将正在阅读的单词置于上下文中。有两大方面——语法和语义。
语法在这两个方面比较正式。它包括理解字典定义、了解句子如何构成(例如，了解那些词类)和解析等技术。
解析尤其相关，因为它是关于理解句子实际上的意思——或者，在上面的双目例子中，它们属于谁。答案通常在更早或更晚的句子中——有时更早或更晚。
这是一个语义结构较少的方面，通常也更困难。它是关于在句子的上下文中理解单个单词的意思，比如“bow”的哪个定义最合适。
有许多不同的工具可以帮助NLP。例如，一个系统需要知道人名、地名和事物名，这样它就知道约翰可以是厕所人或俚语，而巴黎既是地名也是人名。它需要理解依存关系——如果它在“小提琴”的同一个句子里看到‘bow’，那就是意义上的重要线索。
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“模糊”——使用近似值并进行有根据的猜测，如果证明是正确的，就告诉它们下一步该做什么。机器学习很有帮助，因为系统从错误(和成功)中学习的速度比人类教它们的速度更快，提高处理器速度有助于NLP更接近实时。
不过，这是回答我们问题的一件事——这是Siri、Alexa和Google Home做的事，另一件是明智的对话。苹果、亚马逊、谷歌等关键技术公司(如沃森)和无数初创企业都在开发自己的NLP系统，以解决一系列任务。其中包括客服和医疗中的对话机制，从大量文档中提取重要信息，甚至分析控制垃圾邮件流量的邮件。
已经有许多在线聊天机器人——但它们通常只处理简单的问答互动。一旦他们达到能力的极限，他们不得不将查询升级到真人。不幸的是，最终用户不会花很长时间。系统在不断完善，但距离客服行业设想的无缝交互还有很长的路要走。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！