摘要：自然语言理解是人工智能的核心难题之一，也是目前智能语音交互和人机对话的核心难题。之前写过一篇文章自然语言理解，介绍了当时NLU的系统方案，感兴趣的可以再翻一番，里面介绍过的一些内容不再赘述。本文详细讨论了自然语言理解的难点，并进一步针对自然语言理解的两个核心问题，详细介绍了规则方法和深度学习的应用。

1. 引言

       自然语言理解是人工智能的核心难题之一，也是目前智能语音交互和人机对话的核心难题。维基百科有如下描述[1]：

Natural language understanding (NLU) is a subtopic of natural language processing in artificial intelligence that deals with machine reading comprehension. NLU is considered an AI-hard problem.

对于AI-hard的解释如下：

In the field of artificial intelligence, the most difficult problems are informally known as AI-complete or AI-hard, implying that the difficulty of these computational problems is equivalent to that of solving the central artificial intelligence problem—making computers as intelligent as people, or strong AI.

       简言之，什么时候自然语言能被机器很好的理解了，strong AI也就实现了~~

       之前写过一篇文章自然语言理解，介绍了当时NLU的系统实现方案，感兴趣的可以再翻一番，里面介绍过的一些内容不再赘述。那篇文章写于2015年底，过去一年多，技术进展非常快，我们的算法也进行了大量升级，核心模块全部升级到深度学习方案。本文主要结合NUI平台中自然语言理解的具体实现，详细的、系统的介绍意图分类和属性抽取两个核心算法。如下图所示，第一个框中是意图分类，第二个框中是属性抽取。

      对于整个NUI平台的介绍可以参考孙健/千诀写的从“连接”到“交互”—阿里巴巴智能对话交互实践及思考。

2. 自然语言理解的难点

       为什么自然语言理解很难？本质原因是语言本身的复杂性。自然语言尤其是智能语音交互中的自然语言，有如下的5个难点：

一. 语言的多样性

       一方面，自然语言不完全是有规律的，有一定规律，也有很多例外；另一方面，自然语言是可以组合的，字到词，词到短语，短语到从句、句子，句子到篇章，这种组合性使得语言可以表达复杂的意思。以上两方面共同导致了语言的多样性，即同一个意思可以有多种不同的表达方式，比如：

1. 我要听大王叫我来巡山

2. 给我播大王叫我来巡山

3. 我想听歌大王叫我来巡山

4. 放首大王叫我来巡山

5. 给唱一首大王叫我来巡山

6. 放音乐大王叫我来巡山

7. 放首歌大王叫我来巡山

8. 给大爷来首大王叫我来巡山

二. 语言的歧义性

       在缺少语境约束的情况下，语言有很大的歧义性，比如：

1. 我要去拉萨

（1）火车票？

（2）飞机票？

（3）音乐？

（4）还是查找景点？

三. 语言的鲁棒性

       语言在输入的过程中，尤其是通过语音识别转录过来的文本，会存在多字、少字、错字、噪音等等问题，比如：

1. 错字

（1）大王叫我来新山

2. 多字

（2）大王叫让我来巡山

3. 少字

（3）大王叫我巡山

4. 别称

（4）熊大熊二（指熊出没）

5. 不连贯

（5）我要看那个恩花千骨

6. 噪音

（6）全家只有大王叫我去巡山咯

四. 语言的知识依赖

       语言是对世界的符号化描述，语言天然连接着世界知识，比如：

1. 大鸭梨

（1）除了表示水果，还可以表示餐厅名

2. 七天

（2）除了表示时间，还可以表示酒店名

3. 总参

（3）除了表示总参谋部，还可以表示餐厅名

4. 天气预报

（4）还是一首歌名

5. 晚安

（5）这也是一首歌名

五. 语言的上下文

      上下文的概念包括很多内容，比如：

1. 对话上下文

2. 设备上下文

3. 应用上下文

4. 用户画像

5. ...

U：买张火车票

A：请问你要去哪里？

U：宁夏

       这里的宁夏是指地理上的宁夏自治区

U：来首歌听

A：请问你想听什么歌？

U：宁夏

      这里的宁夏是指歌曲宁夏

3. 意图分类的实现方法

      意图分类是一种文本分类。主要的方法有：

1. 基于规则（rule-based）

（1）CFG

（2）JSGF

（3）……

2. 传统机器学习方法

（1）SVM

（2）ME

（3）……

3. 深度学习方法

（1）CNN

（2）RNN/LSTM

（3）……

3.1 基于规则的方法

       这里重点介绍基于CFG的方法[2]，该方法最早出现于CMU Phoenix System中，以下是一个飞机票领域的示例：

      按照上面的文法，对于“从北京去杭州的飞机票”，可以展成如下的树：

3.2 基于传统统计的方法

       我们在第一版的系统中，采用的基于SVM的方法，在特征工程上做了很多工作。第二版中切换到深度学习模型后，效果有很大提升，此处略过，直接介绍深度学习方法。

3.3 基于深度学习的方法

      深度学习有两种典型的网络结构：

1. CNN（卷积神经网络）

2. RNN（循环神经网络）

       基于这两种基本的网络结构，又可以衍生出多种变形。我们实验了以下几种典型的网络结构：

1. CNN [3]

2. LSTM [4]

3. RCNN [5]

4. C-LSTM [6]

       从实验结果来看，简单的CNN的效果最好，其网络结构如下：

       单纯的CNN分类效果无法超越复杂特征工程的SVM分类器，尤其是在像音乐、视频等大量依赖世界知识的领域中。比如怎么把如下的世界知识融入到网络中去：

       这背后更大的背景是，深度学习在取得巨大成功后，慢慢开始显露出瓶颈，比如如何表示知识、存储知识，如何推理等。其中一个探索方向就是试图把联结主义和符号主义进行融合。纯粹的基于联结主义的神经网络的输入是distributed representation，把基于符号主义的symbolic representation融合到网络中，可以大大提高效果，比如：

4. 属性抽取的实现方法

       属性抽取问题可以抽象为一个序列标注问题，如下例：

1. 基于规则（rule-based）

（1）Lexicon-based

（2）CFG

（3）JSGF

（4）……

2. 传统机器学习方法

（1）HMM

（2）CRF

（3）……

3. 深度学习方法

（1）RNN/LSTM

（2）……

4.1 基于规则的方法

       这里主要介绍基于JSGF（JSpeech Grammar Format）的方法：

JSGF is a BNF-style, platform-independent, and vendor-independent textual representation of grammars for use in speech recognition.

       其基本的符号及其含义如下：

       比如对于如下的示例：

       可以展开成图：

       对于“帮我打开空调”，其在图中的匹配路径如下：

       匹配到这条路径后，可以根据标签，把“空调”抽取到device这个属性槽上。

4.2 基于传统统计的方法

       经典算法为CRF，略过。

4.3 基于深度学习的方.

       用于序列标注的深度学习模型主要有[7]：

1. RNN

2. LSTM

3. Bi-LSTM

4. Bi-LSTM-Viterbi

5. Bi-LSTM-CRF

      也有一些多任务联合训练的模型，比如[8]、[9]。

      在我们的系统中，采用的是Bi-LSTM-CRF模型：

       同样的，在input上，将distributed representation和symbolic representation做了融合。

5. 小结

       在实际的系统中，基于规则的方法和基于深度学习的方法并存。基于规则的方法主要用来快速解决问题，比如一些需要快速干预的BUG；基于深度学习的方法是系统的核心。

参考文献

[1] https://en.wikipedia.org/wiki/Natural_language_understanding

[2] Ward & Issar, CMU Phoenix System, 1996

[3] Yoon Kim, Neural Networks for Sentence Classification, EMNLP, 2014

[4] Suman Ravuri and Andreas Stolcke, Recurrent Neural Network and LSTM Models for Lexical Utterance Classification, InterSpecch, 2015

[5] Siwei Lai, Liheng Xu, Kang Liu, Jun Zhao, Recurrent Convolutional Neural Networks for Text Classification, AAAI, 2015

[6] Chunting Zhou, Chonglin Sun, Zhiyuan Liu, Francis C.M. Lau, A C-LSTM Neural Network for Text Classification, arXiv, 2015

[7] Grégoire Mesnil, et. al, Using Recurrent Neural Networks for Slot Filling in Spoken Language Understanding, TASLP, 2015

[8] Xiaodong Zhang, HoufengWang, A Joint Model of Intent Determination and Slot Filling for Spoken Language Understanding, IJCAI, 2016

[9] Bing Liu, Ian Lane, Joint Online Spoken Language Understanding and Language Modeling with Recurrent Neural Networks, arxiv, 2016