自然语言处理业务中的示例

以下是在业务中如何使用NLP的一些示例：

快速排序客户反馈

文本分类模型非常适合对质量反馈进行分类，例如产品评论，社交媒体对话以及在线调查中的开放式响应。以Retently为例，这是一个在线调查的SaaS平台，该平台使用MonkeyLearn对NPS响应进行分类并获得可行的见解。

文本分类模型非常适合对定性反馈进行分类，例如在线调查中对开放式问题的回答。以Retently为例，这是一个用于在线调查的SaaS平台，该平台使用MonkeyLearn对NPS响应进行分类并从客户那里获得可行的见解。

Retently的团队使用以下类别对开放式响应进行分类：

使用NLP工具自动标记每条反馈，使他们能够找出客户提到的最相关的主题，以及他们对产品的重视程度。正如您在下图中所看到的，大多数响应都涉及“产品功能”，其次是“产品用户体验”和“客户支持”（后两个主题主要由Promoters提及）。

 

自动化客户服务流程

NLP的其他有趣应用涉及客户服务自动化。该概念使用基于AI的技术来消除或减少客户支持中的例行手动任务，从而节省了代理商宝贵的时间，并使流程更加高效。

根据Zendesk基准测试，一家科技公司每月会收到+2600的支持咨询。从不同的渠道（电子邮件，社交媒体，实时聊天等）接收大量的支持票，这意味着公司需要制定策略来对每张进入的票进行分类。

文本分类使公司可以根据其主题，语言，情感或紧急程度自动标记入站的客户支持凭单。然后，基于这些标签，他们可以立即将票证路由到最合适的座席池。

Uber设计了自己的票务路由工作流程，其中涉及按国家，语言和类型标记票证（此类别包括驾驶员合作伙伴子标签，有关付款的问题，丢失的物品等子标签），并遵循一些优先级排序规则，例如发送请求从新客户（New Driver-Partners）到列表的顶部。

客户成功的聊天机器人

聊天机器人是一种模拟人类对话的计算机程序。聊天机器人使用NLP识别句子后面的意图，识别相关主题和关键字，动词甚至情绪，并根据其数据解释得出最佳响应。

随着客户渴望获得快速，个性化和全天候的支持体验，聊天机器人已成为客户服务策略的英雄。聊天机器人通过提供即时响应来减少客户等待时间，并在处理常规查询（通常代表大量客户支持请求）时表现出色，从而使代理能够专注于解决更复杂的问题。实际上，聊天机器人最多可以解决80％的常规客户支持服务单。

除了提供客户支持外，聊天机器人还可以用于推荐产品，提供折扣和进行预订等许多其他任务。为了做到这一点，大多数聊天机器人都遵循简单的“ if / then”逻辑（它们被编程为识别意图并将它们与某个动作相关联），或提供选择选项供您选择。

自动汇总

自动摘要包括减少文本并创建包含其最相关信息的简洁新版本。总结大量非结构化数据，例如学术论文，可能特别有用。

使用NLP进行汇总有两种不同的方法：第一种方法提取文本中最重要的信息，然后使用它来创建摘要（基于提取的汇总）；第二种应用深度学习技术来解释文本并产生原始来源中不存在的句子（基于抽象的摘要）。

自动汇总对于数据输入特别有用，在该数据输入中，从相关信息（例如产品说明）中提取相关信息，然后自动将其输入数据库中。

机器翻译

将文本和语音翻译成不同语言的可能性一直是NLP领域的主要兴趣之一。从1950年代首次尝试将文本从俄语翻译为英语到最先进的神经系统，机器翻译（MT）取得了显着进步，但仍然存在挑战。

Google Translate，Microsoft Translator和Facebook Translation App是通用机器翻译的一些领先平台。在2019年8月，Facebook AI 英德机器翻译模型在机器学习大会（WMT）举办的竞赛中获得第一名。通过这种模式获得的翻译被组织者定义为“超人”，并且被认为比人类专家的翻译具有更高的翻译质量。

机器翻译的另一个有趣的发展与可定制的机器翻译系统有关，可定制的机器翻译系统适用于特定领域并经过培训以了解与特定领域（例如医学，法律和金融）相关的术语。例如，Lingua Custodia是专用于翻译技术财务文件的机器翻译工具。

最后，机器翻译的最新创新之一是自适应机器翻译，它由可以实时从修正中学习的系统组成。

自然语言生成

自然语言生成（NLG）是NLP的一个子领域，旨在构建计算机系统或应用程序，这些系统或应用程序可以通过使用语义表示作为输入来自动生成各种自然语言的文本。NLG的一些应用程序是问题解答和文本摘要。

2019年，人工智能公司Open AI发布了GPT-2，这是一种文本生成系统，代表了AI的突破性成就，并将NLG领域提升到了一个全新的水平。该系统使用800万个网页的海量数据集进行了培训，并且能够在最少提示的情况下生成连贯且高质量的文本（例如新闻文章，故事或诗歌）。

当提供在数据中具有较高表示率的热门主题（例如，英国退欧）时，该模型的性能会更好，而当提示具有高度针对性或技术含量时，该模型的结果将较差。尽管如此，它的可能性才刚刚开始被探索。