自然语言理解 (NLU)

自然语言理解 (NLU) 是 人工智能 (AI) 和 自然语言处理 (NLP) 的一个子领域，专注于使机器能够理解人类语言的含义。与简单地处理单词不同，NLU 旨在解释文本或语音中的意图、上下文和情感。它是人机交互方程式中的“理解”部分，使软件能够掌握用户真正想要表达的内容，即使语言含糊不清、口语化或非结构化。这种能力对于创建更直观和更强大的 AI 应用程序至关重要，这些应用程序可以按照自己的方式与人交互。

NLU 的核心组成部分

NLU 将理解语言的复杂任务分解为几个关键组成部分。 NLU 系统通常执行以下任务的组合来解构和解释用户输入：

• 意图识别： 这是识别用户目标或目的的过程。例如，在“预订飞往纽约的航班”这句话中，意图是“预订航班”。对于任何面向任务的系统（例如 聊天机器人 或 虚拟助手）来说，这是至关重要的第一步。您可以了解有关 Microsoft Azure LUIS 如何处理意图 等服务的更多信息。
• 命名实体识别 (NER): 这涉及识别文本中的关键信息并将其分类为预定义的类别，例如姓名、组织、地点、日期和数量。在航班预订示例中，“纽约”是一个地点实体。
• 情感分析: 此任务确定一段文字背后的情感基调，将其分类为正面、负面或中性。它被广泛用于评估客户反馈、品牌声誉和公众舆论。
• 关系提取： 这种高级任务识别文本中不同实体之间的语义关系。例如，从新闻文章中识别出“Elon Musk”是“Tesla”的“CEO”。这有助于从非结构化数据中构建结构化知识。

驱动 NLU 的技术

现代 NLU 严重依赖于机器学习 (ML)的进步，尤其是深度学习 (DL)。 诸如Transformer之类的神经网络架构和诸如BERT之类的预训练模型通过有效地捕获语言中复杂的上下文关系，彻底改变了 NLU 的能力。 这些突破是当前大型语言模型 (LLM)能力的基础。 著名的人工智能研究机构（如斯坦福 NLP 组）以及诸如spaCy和Hugging Face之类的开源库和平台是该领域进步的关键贡献者，计算语言学协会 (ACL) 等组织推动了研究的进展。

NLU 与相关概念

区分 NLU 与密切相关的术语非常重要：

• 自然语言处理 (NLP)： NLU 是 NLP 的一个专门子领域。虽然 NLP 是一个涵盖计算机与人类语言之间交互各个方面的广泛领域，但 NLU 专门关注理解和意义提取（输入）。NLP 还包括自然语言生成 (NLG)，它关注生成类人文本（输出）。简而言之，NLU 关注的是“阅读”，而 NLP 涵盖的是语言的“阅读、写作和操作”。
• 计算机视觉（CV）: NLU 处理语言数据，而 CV 侧重于解释来自图像和视频等视觉输入的信息。 诸如 Ultralytics YOLO 之类的 CV 模型用于诸如目标检测之类的任务。 然而，这些领域在处理文本和图像的多模态模型中日益交叉，从而实现了桥接 NLP 和 CV的应用。 虽然诸如Ultralytics HUB之类的平台主要侧重于视觉 AI，但深度学习的基本原理通常是重叠的。 有关 AI 应用的更多信息，您可以浏览 Ultralytics 文档。