在此问答中，MathWorks高级工程经理Jos Martin讨论了最近的NLP开发以及受益于该技术的应用程序。

NLP性质的变化:它将如何应用于未来？

NLP软件多年来一直被用于从汽车到智能手机，以及最近的智能家居设备的语音识别。NLP的新进展继续完善该技术，以扩大应用范围，如情绪和推荐分析、预测文本建模和新兴领域的迁移学习。

在此问答中，MathWorksd的高级工程经理Jos Martin讨论了最近的NLP开发和从该技术中受益的应用程序。

KDnuggets:在过去的五到十年里，NLP发生了怎样的变化

Jos Martin:围绕NLP的最大变化是从传统的文本和单词模式识别向包含机器学习和深度学习的方法的转变。这使得语义可以迁移到数字空间中，这也使得许多最近开发的机器学习和深度学习技术对NLP系统设计人员来说是可用的。

例如，许多系统利用了依赖于长、短期时记忆(LSTM)的递归神经网络。LSTM不是简单地处理单个数据点或单词，而是可以帮助我们更多地了解句子、段落和其他语言块中的单词之间的关系。这些类型的网络允许设计人员预测序列中的下一个单词可能是什么，或者说确定接下来几个单词的概率。

另一个显著变化的领域是NLP在语音中的应用。将语音识别和NLP模型结合起来，通过猜测哪些单词可以组合在一起，最终创建出更好的语音识别模型。

KDnuggets:你能描述一下目前使用NLP的一些应用程序吗

JM:一个应用程序是情感分析，它分析一段文本，以了解它在多大程度上表达了一组特定的情感(即数字上的同意或不同意模型中训练的预定义分类)。这也扩大到不仅仅包括可能被称为”人类情感”的东西。

第二个用例是预测性文本模型，它可以与语音识别模型相结合，从而显著改善整个模型的行为。聊天机器人和虚拟助手如何使用NLP帮助用户更快地完成特定任务，这一点很明显。例如，Google Assistant可以自动更正语音到文本的错误，比如”将我的闹钟设置为3 / 3″到”将我的闹钟设置为3 / 30″。

推荐分析是采用NLP的另一个应用程序，在本例中，它支持对非结构化文本(如关于产品或服务的有限信息)进行分析。在这里，NLP模型设计人员训练深度网络来处理非结构化文本，并推断关于产品的一些信息，特别是它与其他产品的相似之处，以及客户可能对哪些其他产品感兴趣。

由于NLP和深度学习模型的进步，机器翻译也称为自动语言翻译，在过去几年里也得到了改进。

KDnuggets：随着NLP的不断发展，我们应该期待它在未来应用到哪里

增强语音识别将是NLP的一个重要研究领域。虽然语音识别在过去的几年里变得非常精准，但是在这项技术得到更广泛的应用之前，还有很多地方需要改进。这个领域的一些进步将来自更好的NLP模型。

另一个领域将是迁移学习在NLP中的应用，在NLP中，为一个任务开发的模型可以为另一个问题重新训练。直到最近才有可能将这种预先训练的模型应用到NLP中。这一点很重要，因为它允许用户使用一个预先训练好的模型，稍微修改一下，然后将其应用到其他各种文本分析任务中，比如情感分析或问题回答，在这些任务中，设计师试图用NLP自动回答人们提出的问题。

NLP还可以潜在地应用于文档摘要。在未来，NLP模型不仅可以总结文本集合的情感，还可以总结内容。

以上的问答为NLP的未来提供了一些见解。

来自：AI中国

来源：https://www.kdnuggets.com/2019/06/mathworks-natural-language-processing-qa.html