什么是自然语言理解（NLU）？

NLU听起来像是AI领域的又一个缩写，但它对于让AI真正理解我们的意思至关重要。

Siri是如何知道你是在问路还是想播放一首歌的？

AI助手如何区分产品咨询和支持请求？

让我们来拆解NLU的工作原理，以及它为何对更智能的AI交互必不可少。

什么是NLU？

自然语言理解（NLU）是自然语言处理（NLP）的一个子集，使机器能够解释和理解人类语言。

NLU被应用于AI聊天机器人、虚拟助手和情感分析工具。它让机器能够准确理解用户意图——无论是文本还是语音——以便采取相应的行动。

NLU被认为是AI难题（也称为AI完全问题），即只有通过人工智能才能解决。没有人工智能（AI），NLU无法实现。

NLU是如何工作的？

NLU将人类语言分解，以解释其含义和意图。其工作流程如下：

1. 预处理文本

在分析开始前，系统会清理文本，去除标点符号和停用词等无关内容，以便聚焦于有意义的信息。

2. 识别关键组成部分

系统提取实体、关键词和短语，找出文本中最相关的部分以便进一步分析。

3. 分析句子结构

通过分析词语关系和语法，NLU判断句子中不同词语和概念之间的互动。

4. 映射意图和目标

提取出的组成部分会与预设的意图或目标进行匹配，帮助系统理解用户的目的。

5. 结合上下文优化理解

借助以往的交互和上下文线索，提升准确率，让NLU系统能够根据对话历史调整回复。

6. 生成结构化输出

最后，系统生成结构化响应，可用于触发操作、执行命令或提供相关信息。

实际案例

我们用一个例子来说明。

Patrick在工作中使用一个AI助手，它能与他所有主要应用集成，包括日历。

Patrick向AI助手输入：“安排明天下午1点与Anqi开会，或类似时间。两周后安排一次跟进。”

在代理型AI的工作流程中，助手会：

1. 识别意图：助手识别出Patrick想要安排会议
2. 提取关键实体：助手识别出‘Anqi’是联系人，‘下午1点’是时间，‘明天’是日期。
3. 话语分析：助手判断操作项是“安排”，对象是Anqi，时间是明天下午1点。
4. 上下文理解：助手会检查Patrick和Anqi的日历，确保时间可用。如果明天下午1点不可用，会按要求推荐类似时间。
5. 最终操作：助手通过发送日历邀请给Patrick和Anqi，完成会议和跟进的安排。

NLU的实际应用

你很可能在日常生活中经常接触到NLU，甚至可能没有意识到。以下是一些最常见的实际应用场景：

线索生成

NLU是AI线索获取的重要组成部分，这是一种通过对话式AI筛选潜在客户的方式。借助自然语言理解，聊天机器人可以识别潜在客户的需求和能力，甚至在筛选后直接为销售人员预订日程。

语音助手

像Siri、Alexa和Google Assistant这样的语音助手依赖NLU来理解你语音指令背后的意图。

例如，当你说“为我的美甲预约设置下午2点提醒”时，助手会分解你的句子，识别意图（设置提醒），并提取实体（美甲预约、下午2点）。

NLU让这些助手能够理解口头请求，并采取正确的行动。

客户服务聊天机器人

当你与客户支持聊天机器人互动并输入“我的包裹在哪？”，机器人会利用NLU判断你的意图是查询快递状态。

它会提取必要的实体——你的订单信息——并提供正确的更新。正是这种理解和回应各种客户问题的能力，使NLU成为现代客户服务自动化的重要组成部分。

邮件分类与自动化

NLU也应用于邮件自动化系统。例如，基于NLU的工具可以读取收到的邮件，理解内容，并自动将其分类为“紧急”、“促销”或“会议”等类别。

这些系统甚至可以根据邮件内容自动生成合适的回复，帮助企业节省沟通管理时间。

反馈与调研的文本分析

企业常常利用NLU分析来自问卷、评论和社交媒体的反馈。

NLU有助于识别书面语言中的模式和情感，使企业能够了解客户需求和看法。

例如，NLU系统可以扫描数百条客户评价，通过情感分析判断大多数用户对某一功能的态度是正面还是负面。

关键组成部分

分词

分词是将句子拆分为更小的单元，如单词或短语，便于AI处理。

示例：“安排明天下午3点的会议”被分词为[“安排”，“明天”，“下午3点”，“会议”]。

词性标注（POS Tagging）

词性标注通过为每个词标注名词、动词、形容词等，识别句子的语法结构。

示例：在“安排会议”中，AI将“安排”标注为动词，“会议”标注为名词。

命名实体识别（NER）

命名实体识别（NER）检测并分类文本中的重要实体，如人名、地点和日期。

示例：在“预订下周五去纽约的机票”中，AI识别“纽约”为地点，“下周五”为日期。

意图分类

意图分类判断用户输入背后的目标或目的。

示例：“预订两人餐桌”被分类为预订意图。

依存句法分析

依存句法分析用于理解句子中词语之间的关系和语法结构。

示例：在“把报告发给Maria”中，AI识别“Maria”是报告的接收人。

上下文分析

上下文分析利用周围的对话或先前的互动，确保回复的相关性和准确性。

示例：如果用户之前询问过某个特定项目，AI 可能会基于该上下文定制后续回复。

构建自定义 NLU 代理

随着人工智能技术的快速发展，任何人都可以构建具备 NLU 能力的 AI 代理。

Botpress 是一款为企业打造的高度可扩展的机器人开发平台。我们的技术栈允许开发者为任何场景构建聊天机器人和 AI 代理。

通过我们的免费套餐、丰富的教程以及 Botpress Academy，轻松开启使用之旅。

立即开始构建。 免费使用。

常见问题

1. NLU 与机器学习和深度学习有什么关系？

NLU（自然语言理解）依赖机器学习识别文本数据中的模式，并利用深度学习建模复杂的语言结构。像 Transformer 这样的深度学习架构，使 NLU 系统能够高精度地理解上下文和意图。

2. NLU 和自然语言生成（NLG）有什么区别？

NLU（自然语言理解）侧重于解释和提取用户输入的含义，而 NLG（自然语言生成）则专注于生成类人的回复。简而言之，NLU 负责“读懂”，NLG 负责“写作和回应”。

3. 目前 NLU 的准确率如何？哪些因素会影响其准确性？

现代 NLU 系统在定义明确的领域中准确率可超过 90%，但其表现受训练数据质量、语言多样性、领域复杂度以及模型处理歧义或多意图查询能力等因素影响。

4. 通常需要多少数据才能构建一个可靠的 NLU 模型？

构建可靠的 NLU 模型通常每个意图或实体需要数千条标注样本，但通过迁移学习和使用预训练模型（如 BERT 或 GPT），数据需求可大幅降低到每类几百条样本。

5. 如何将 NLU 引擎与 CRM、日历或数据库等其他工具集成？

你可以通过将 NLU 引擎与相关 API 连接，实现系统在识别用户意图后自动执行操作，例如创建日程、获取联系人信息或更新记录。这通常涉及后端脚本开发，或使用支持原生集成的平台。