НЛП - это способ, с помощью которого компьютерные машины могут анализировать, понимать и извлекать значение из человеческого языка разумным и полезным способом.
Диаграмма представляет собой простейший пример, в котором машина автоматически отвечает на выражение «спасибо» пользователям, отвечая «добро пожаловать»
Алгоритм разработан для понимания того, как люди говорят. Это взаимодействие человека и компьютера облегчает выполнение реальных приложений, таких как анализ настроений, автоматический поиск, теги, распознавание речи и т. Д.
Наиболее частые применения НЛП
Мы наблюдаем, как сегодня НЛП широко используется, но не замечаем этого, но они помогают нам выполнять нашу повседневную деятельность, ниже приведены очень очевидные из широкого спектра:
Машинный перевод: мы переводили страницы в Facebook и Google, но, возможно, не осознали, что скрытый алгоритм - это НЛП.
Чат-бот. Чат-бот - это модное слово в индустрии сегодня. Организации используют чат-ботов для повышения качества обслуживания клиентов. Чат-боты - это приложения / мессенджеры, которые взаимодействуют с пользователями, обычно через текстовые сообщения, через веб-сайты или интегрированные в другие платформы, чтобы клиенты получали ответы на свои вопросы.
Анализ настроений. Также называемый «анализ мнений», широко применяется для озвучивания материалов клиентов, таких как обзоры и ответы на опросы, в Интернете и социальных сетях, а также в медицинских материалах для приложений, которые варьируются от маркетинга до обслуживания клиентов и клиническая медицина
Автоматическое обобщение: процесс сокращения текстового документа с использованием искусственного интеллекта через НЛП для создания резюме с основными моментами исходного документа.
Классификация текста: процесс сокращения текстового документа с помощью программного обеспечения для создания резюме с основными моментами исходного документа. НЛП помогло разработать согласованное резюме и принять во внимание такие переменные, как длина, стиль письма и синтаксис.
Когда начать …
Сегодня доступно множество библиотек и инструментов с открытым исходным кодом, позволяющих использовать НЛП, не беспокоясь об алгоритме, но уделяя больше внимания его настройке в соответствии с потребностями.
Немногие хорошо известные библиотеки НЛП с открытым исходным кодом
Python:
Java:
JavaScript
Другие популярные лицензионные продукты
За кулисами …..
Ниже описывается простейший алгоритм НЛП. Хотя библиотеки облегчают это, и, как разработчик приложения, мы можем не беспокоиться о реализации. Для понимания ниже приводится простейший алгоритм, который использует большинство библиотек НЛП:
Вопрос: «Какая погода в Нью-Йорке?»
Шаги:
Токенизация
Разделите отдельные слова и знаки препинания в предложении.
Предложение = [‘What’, ’is’, ‘Weather’, ‘in’, ‘NewYork’, ‘?’]
Удаление стоп-слов
Удалите слова, которые не нужны и могут не добавлять никакой ценности. В этом конкретном примере удалите is и in. (Подробнее см. Здесь )
Предложение = [«Что», Погода »,« Нью-Йорк »,«? »]
Добавление тегов в речь
Это наиболее важный аспект механизма или алгоритмов НЛП. Он определяет различные части речи, такие как существительное, глагол, прилагательное и т. Д. (Подробнее см. Здесь)
Предложение = [(‘What’, ‘WP’), (‘weather’, ‘NN’), (‘NewYork’, ’NNP’), (‘?’, ‘.’)]
WP = wh-местоимение, NNP = существительное собственное, NN = существительное единственного числа, ‘.’ = знаки препинания
Распознавание именованных сущностей (NER)
Также называется идентификацией сущности или извлечением сущности (вики), помогает категоризировать сущности, например имя человека, организацию, местонахождение и т. Д.
Предложение = [(S What / WP weather / NN (GPE NewYork / NNP)? /.)]
GPE обозначает местоположение
Последний звонок
После того, как NER установлен, предложение анализируется, и выполняется вызов облачной службы, например weather.com и т. д.
