机器翻译@钢铁侠的AI助理贾维斯,我们还要多久才能拥有?( 三 )


文章图片

文章图片

察觉言语背后的情绪
除了单纯的文本分析之外 , 研究人员还在努力识别高度非结构化内容以及语境意义 。波·庞等人于2002年完成了早期关于辨别网络上电影评论的消极还是积极的计算机语言技术(NaiveBayes、SVM和MaxEnt)的研究 。
随后 , 波·庞和莉莲·李在2004年发表论文 , 探讨了将“主观性”(表达作者自己的观点和特定词语的相关性)带入情感分类的根本影响 。
这些文章 , 以及彼得·T·特尼的文章 , 在NLP领域掀起了一场革命 , 因为网络上日益增长的语言交流(社交媒体、博客、新闻推送)都是为了理解人们的想法而开发的 。
情感分析通常也被称为观点挖掘 。路透社等信息巨头都开发了自己的内部情感引擎 , 来衡量千家公司的新闻情绪 , 以改善交易决策 。
直到2009年 , Google根据他们的研究论文和专利 , 改进了搜索引擎 。这些研究论文和专利探索了情绪分析 , 以总结基于情绪的评论 。
2010年 , Twitter的信息也被用于分析 , 以评估英国大选期间的公众舆论 。一家名为Linguamtics的公司检查了超过13万个Twitter帐户 。
尽管人们对分析和结果持怀疑态度 , 但它足以使科技界兴奋不已 , 导致他们也想对2012年的美国总统大选进行尝试 。据2015年报道 , Intel和IBM等行业的领导者使用情绪分析技术来解读员工的情绪 。
表情符号、讽刺以及语言的复杂性给情绪分析带来了挑战 , 然而各公司还是迅速投资情绪分析技术 , 以理解公众情感、扩大客户体验并收集消费者见解 。
NLP的未来在哪里?
除了本文提到的NLP的主要应用之外 , NLP也可以解决主题建模、文档摘要和字符识别等问题 。
当前NPL场景主要以深度学习为主 。在回归神经网络的驱动下 , 基于深度学习的NLP正在使用卷积神经网络进行实验 。
而该算法已被证明对情感分析、问题解答系统和机器翻译在一定程度上有效 。深度学习模型还用于加速或整合NLP任务 , 包括词性标注、语法分析和命名实体识别 。
【机器翻译@钢铁侠的AI助理贾维斯,我们还要多久才能拥有?】人们对NLP越来越兴奋 , 也许十年后 , 贾维斯就会成为现实 , 而你就可以去拯救世界了 。


推荐阅读