NLP的工程化，不是一個個算法的累積，也不是一個個任務的獨立優(yōu)化，而應該是系統(tǒng)工程，綜合考慮語言、計算、場景等多種因素，不斷演進融合，尋求效果滿意解的過程。根據赫伯特．西蒙（圖靈獎和諾貝爾獎雙料得主）的有限理性模型，受到所處環(huán)境的高度復雜性和有限的信息加工能力限制，因此NLP應用落地時，我們不可能遵循”最優(yōu)化“的策略，而應該以獲取當前可接受的“滿意解＂為目標。＂最優(yōu)解＂可以作為實驗室環(huán)境下的研究目標，而”滿意解“是工程化的條件下我們唯一的選擇。

我們提出了“語言、計算、場景”三角形滿意解的NLP工程化技術路線，希望從工程化的角度，綜合語義的符號化表示、傳統(tǒng)語言學的知識表示、深度學習的算法模型等多種技術，在具體場景需求的約束下，尋找NLP工程應用的滿意解。

最小化的語言特征是基礎的語言資源

基礎的語言特征是有限的，否則，語言將呈不穩(wěn)定態(tài)，人們之間互相理解語言也將不可能。基礎語言特征，包括詞庫、詞匯的句法語義屬性、詞匯之間的關聯性（同義、反義、上下位）等。比如，“打敗”是一個動詞，“高興”是動物的一種情緒，“勝利”和“失敗”的反義關系，“勝利”和“打敗”的同義關系等。這些詞語的意思和它們之間的關系，無論在那個行業(yè)場景中都是基本不變的。

我們已經構建了中文、英文的基礎語言特征集，其中包括80000多個常用詞匯，覆蓋了大部分常用詞匯。據統(tǒng)計中文常用的5萬個詞可以覆蓋人民日報新聞用詞的99％。基礎的語言特征集是分類的，比如針對情感計算的基礎語言特征中包含了140多種情緒。

基礎的語言特征集，必須通過人工方式構建。我們有30多人的語言學團隊，經過長達10年的積累，已初步構建完善。

語言特征的泛化是必需的計算技術

語言的使用是動態(tài)的，特定場景下的新詞、新用法會層出不窮的出現。比如“深度學習”原來不是一個詞，但近幾年被廣泛使用，特指一類神經網絡算法。這一類的特征表示，可以采用機器學習算法（包括深度學習），從真實語料中自動學習，對基礎語言特征進行擴充和泛化。利用機器學習算法，也可以進行同義詞的泛化，比如“查看、查查、查一查、查詢一下、查尋一下”等是“查詢”的同義詞。同時，也可以開展詞語關聯的泛化，比如“馬云－阿里巴巴”的關系和“馬化騰－騰訊”的關系類似等。

機器學習得到的新詞、新用法，可以通過相似度計算等算法，將學習結果與基礎語言特征對齊，以獲得新詞對應的語言屬性。比如“深度學習”是一個名詞，是“算法”的下位，與“神經網絡”同義等。對齊操作保證了泛化特征的一致性。

語言和算法的有效結合是關鍵

根據每一類語言結構的特點，有指導的選擇算法。比如，對于漢語的流水句的處理，哪些語言特征是流水句的激活特征，流水句是否適合LSTM算法，哪些特征參與LSTM的運算等。而不是針對所有句法結構，采用一種LSTM模型來進行句法分析。

語言結構因為其動態(tài)性，不適合把結構本身作為機器學習的輸入，而應該在輸入側，通過語料標注或規(guī)則設計，把結構進一步抽象成為一個更抽象的特征，輸入給機器學習、深度學習算法。如在形容詞謂語句的分析中，“形容詞短語”作為一個抽象特征，輸入給句子分析算法，而不用關心“形容詞短語”是用什么算法得到的。相反，機器學習算法的輸出，必須以語言特征或語言結構的形式，這樣才能保證結果的可解釋性。

我們認為，深度學習只是NLP算法庫中的一部分，也許只在某一個具體的環(huán)節(jié)中效果最好，對機器學習（深度學習）算法的“有的放矢”的使用，是NLP工程化的關鍵。

應用場景是無法回避的約束條件

應用場景是NLP應用的需求和使用環(huán)境，不同的應用場景，其約束條件是不同的。有的場景是處理營銷數據的，有的是處理客服數據的；有的場景可以提供大量的標注數據，有的只能提供有限的業(yè)務規(guī)則；有的場景是同步的，有的是異步的。NLP應用必須在滿足場景約束的前提下，選擇處理流程、計算算法、語料資源等內容的配置。比如，對同樣一批數據，同樣一個文本，營銷場景和客服場景的輸出要求完全不同，所用算法也可完全不同，客服場景可以用分類算法，但營銷場景也許需要用抽取算法。

很多NLP應用場景下，客戶都希望在很短的時間內、在沒有訓練語料的情況下，快速看到NLP應用的效果，實現“冷啟動”。比如某電信企業(yè)，客服的動單分類有 2000 多項。電信自己整理了3個多月，每一個分類下的數據都很少，但電信也不可能在每一個細分小類，都幫助我們訓練出那么大量的數據，提供給機器學習算法訓練。

“冷啟動”的關鍵是規(guī)則方法與機器學習方法的有效融合。第一步，采用規(guī)則方法，構建一批應用規(guī)則，對應用場景下的典型語料，進行規(guī)則分析，針對性的獲取特征，并對典型語料進行標注。第二步，把典型語料的標注數據，作為機器學習算法的樣本，利用各種機器學習（深度學習）算法去做擴充、泛化。對泛化的結果，采用抽樣方法，進行人工校驗，加入到典型語料中去。這樣循環(huán)處理，形成一個良性循環(huán)，不斷的逼近客戶要求。

NLP工程化的目標

NLP系統(tǒng)的開發(fā)與應用，既需要尊重語言學知識，以語言學知識為指導，又需要充分利用機器學習（深度學習）技術的計算優(yōu)勢，以機器學習為工具，持續(xù)迭代發(fā)展，才能在工程應用中發(fā)揮NLP的能力，實現滿意解。

NLP工程化期望達到以下目標：

（1）可解釋性，NLP系統(tǒng)輸出的結果，應該符合基本的語言學規(guī)律，可以用語言學的術語進行解釋，而不是給出一堆雜亂無章的數據，讓用戶從沙海淘金。

（2）一致性，NLP系統(tǒng)的處理過程，應該是隨著處理對象的層次和深度，而逐步疊加模塊，下級模塊使用上級模塊的結果，方便進行優(yōu)化。而不是針對每個任務，采用“一竿子插到底”的復雜算法，中間過程完全是黑盒子。

（3）即用性，NLP系統(tǒng)的應用，需要做到即插即用的“冷啟動”，或者是在很小的數據集上進行規(guī)則表述和預訓練。一切需要用戶標注海量數據，才能啟動的NLP系統(tǒng)，都是耍流氓。

（4）可遷移性，NLP系統(tǒng)，應該在不用大的改動前提下，即可遷移到類似場景。而不應該是千人千面，過分個性化。

（5）自知之明，NLP系統(tǒng)的終極目標是做到自知之明，系統(tǒng)對輸出的結果應該有明確的置信度，哪些結果一定保證是對的，哪些一定是不對的，哪些是不確定，需要人工干預的。有了可靠的自知之明的能力，NLP系統(tǒng)才具備了達到人類理解水平的基本條件。

近兩年很多媒體報道，計算機在閱讀理解、機器翻譯等領域超過了人類水平，其實是媒體的一種夸大其辭的誤導，計算機只是做了端到端的匹配，匹配結果與標準答案做了個百分比的統(tǒng)計。計算機對閱讀理解的內容一無所知，對匹配結果的對錯毫無概念，從自知之明的角度衡量的話，計算機的水平可能還達不到小學一年級學生的水平。

語言理解是人工智能皇冠上的明珠，要達到真正的理解能力，道阻且長；正確處理好語言、計算、場景的融合，NLP技術已經可以在非結構化轉結構化等應用方向上大展宏圖，取得巨大的商業(yè)價值。

自知之明的NLP終極目標，任重道遠，我們將與您一路同行。（作者：晉耀紅）