AlphaGo赢了人机大战第一局，阿里来科普一下什么是“人工智能”

进一步，我们对于世界的语义描述（又称为domain ontology）如下：

3、自然语言理解技术难点

在确定了自然语言理解的语义表示方法后，我们把技术方案抽象为如下两步：

这和前文提到的语义角色标注把过程分为frame identification和argument identification类似，领域分类和意图分类对应frame identification，属性抽取对应argument identification。无论对于分类还是对于抽取来说，都需要有外部知识的支持。在实现的过程中，我们面临着如下的困难：

（1）如何构建知识库

“总参”除了表示总参谋部外，还是南京一家很火的火锅店；“中华冷面”除了是一种面条，还是一首歌名；“王菲的红豆”是指王菲唱的红豆这首歌，但如果说“韩红的红豆”就不对了，因为韩红没有唱过红豆这首歌。要想把这些知识都理解对，就需要一个庞大的知识库，这个知识库中的实体词数以千万计，怎么挖掘，怎么清洗噪音，都是很大的挑战。

（2）如何理解用户语句的意图

“东三环堵吗”这句话意图是查询路况，“下水道堵吗”就不是查路况了；“今天的天气”是想问天气状况，“今天的天气不错”则无此意；“附近哪儿可以喝咖啡”是想找咖啡馆，但“牛皮癣能喝咖啡吗”就是一个知识问答了。类似上述的例子举不胜举，更别说语言理解还受时间、位置、设备、语境等等问题的影响。

（3）如何构建可扩展的算法框架

现实世界包含众多的领域，而我们不可能一次性的把所有领域都定义清楚并且实现之，那我们就需要一个可扩展的算法框架，每当修改或者新增某个领域的时候，不会对其他领域造成干扰。

（4）如何构建数据驱动的计算流程

大数据时代，如果一个算法或者流程不是数据驱动的，不是随着数据的增加而自动提升效果，那这个算法框架就没有持续的生命力。

（5）如何融入上下文知识

在对话场景中，每句话都有对话上下文，同样的句子在不同的上下文中理解结果是不一样的，比如如下的例子，同样的一句话“今天天气好吗”在左侧图中属于天气领域，而在右侧图中则属于音乐领域。

4、自然语言理解技术沉淀

技术难点的解决过程就是一个技术沉淀的过程。通过在自然语言理解方向上持续研究和开发，我们积累了如下的技术沉淀：

4.1 千万级的高质量知识库

知识库的核心节点是各种词，而这些词条散布在互联网上的各个地方。通过自己抓取和第三方合作的方式，我们拿到了大量的“毛数据”，这些数据中含有大量的噪音。为了过滤清洗这些数据，我们构建了一套集成了多种过滤方法的过滤流程来对这些数据进行处理。截止目前，我们积累了数千万的高质量的各种类型的词条。

4.2 支持常见的数十个领域的理解

通过自然语言处理、机器学习、深度神经网络等算法和大数据的使用，目前我们理解的领域有60个左右，其中重要的一些领域如下：

4.3 一套可扩展的算法框架

领域的优化和扩展是常态，如果某个领域的优化或者新增，会对其他已有的领域的效果造成影响，那这将是一种灾难。我们建立了如下图所示的领域独立的、可扩展的算法框架，各个领域在知识库、数据、模型、算法等方面，都是各自独立的。

领域的优化和扩展是常态，如果某个领域的优化或者新增，会对其他已有的领域的效果造成影响，那这将是一种灾难。我们建立了如下图所示的领域独立的、可扩展的算法框架，各个领域在知识库、数据、模型、算法等方面，都是各自独立的。

4.4 数据驱动的闭环流程

我们构建了如下的闭环数据流程，使得数据能够闭环流动，随着用户的使用，我们不断收集日志对系统进行更新，从而不断维持和提升系统的效果。

我们构建了如下的闭环数据流程，使得数据能够闭环流动，随着用户的使用，我们不断收集日志对系统进行更新，从而不断维持和提升系统的效果。

4.5 基于上下文的自然语言理解

为了理解对话，我们进一步设计了基于上下文的自然语言理解框架，和无上下文相比，它主要的变化在于增加了一个domain selection模块，该模块在基于上下文的知识下，判断当前话语（utterance）是否需要继承上文知识。

5、结束语

自然语言理解是个人智能助理的基础模块和核心模块，我们目前的自然语言理解服务同时实现了无上下文的理解和有上下文的理解，无上下文的理解主要应用在搜素场景，如YunOS上的One Search搜索，有上下文的理解主要应用于对话场景，如YunOS上的个人智能助理+、阿里小蜜等。后续我们一方面在技术上会进一步做深，另一方面会服务更多的业务，欢迎各位有兴趣的同学一起交流探讨。

关于阿里百川

（编辑：应用网_丽江站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!