在大家的日常生活中可能经常会接到一种电话，这种电话是真人的声音，而且对你的对话也不会出现词不达意的情况，他们能和你进行沟通和聊天，但是中间会有极短的卡顿时间，让你感觉比较别扭，实际上这些语音就是使用NLP自然语言处理，通过海量数据训练模型制作出来的语音机器人，达到让人分辨不出来是否是真人的一种技术。

那么什么是NLP自然语言处理呢？通俗来讲就是让机器语言和人类语言之间沟通的桥梁，从而实现人与计算机能够交流。就像猫通过喵喵的叫声交流，人通过不同的语言交流一样，机器通过数据信息进行交流。

大家都知道不同的语言是无法直接交流的，像中文和埃塞俄比亚的语言需要翻译才行。不同物种的语言也一样。人类无法与小鸟交流，也不能和熊沟通（小时候特别希望能有这种超能力）。那么计算机的语言其实也一样。而NLP就是人与计算机沟通的翻译。

自然语言其实简单来说就是说话要能够知道什么意思，举几个例子：我的腿小腿骨发生了30度的弯曲，无法支撑我站立，这句话就不是自然语言。那用自然语言如何说呢？我的腿骨折了。再比如我喜欢你喜欢的东西，这种很多类似的，简单来说就是我们的爱好一样。

那么NLP是如何做到翻译的呢？其实他是通过两个步骤，理解和生成，对应的就是NLU自然语言理解和NLG自然语言生成。

NLU自然语言理解

这个技术其实是比较难的，他让机器理解我们要干什么，现在每家估计都有智能音箱，他就是最好的例子，例如我们要出旅游，我们的表达方式其实很多。例如明后天的天气咋样？；高铁到重庆几个小时；我想放松一下自己，休息休息等等，这也是自然语言比较难的地方，就是要理解人说的是什么或者他的意图是什么。而让机器理解这么多种不同的表达式比较难的，因为机器的语言是数据，而结构化数据才是最通用的机器语言。那么就要提取关键词，如上面的高铁、重庆、几个小时；明后天。天气；那么这些关键词需要我们提前进行梳理，然后计算机才能够理解我们的意图。就像最早的智能手机能够通过飞机票、订票几个关键词来打开网页来让你订票一样。

NLU就是弥补关键词的缺点而出现的，他通过对自然语言的表达进行拆分，然后通过机器学习训练，模型数据演练等。实现让机器理解我们的意图。例如通过训练让机器知道重庆是地名，高铁是交通工具，几个小时是时间等。通过这种方式，让机器知道，我想要买高铁票，时间是明后天，目的地是重庆。现在在我们的生活中机器客服已经非常普遍了，例如你找京东的机器客服，通常说两句话就能让客服知道，并且提供相应的选项让你解决问题。还有就是智能音箱，例如你说太冷了，音箱会把空调调高2度，你说我回来了，他会帮你打开客厅的灯这些，就是机器理解了你的意图。

但是NLU也不是万能的，特别是在对我们中文这种神奇的语言上。

1、告诉你别别，你非别，撞车了吧？

2、这几天你天天天天的喝酒，不要命了是不是？

3、你的想法很特别，但是我们的特别的想法和你一样的特别。

而NLP也是通过三个阶段才实现我们现在的职能对话的，分别是基于规则，基于统计（这也是人工智能突飞猛进的一个重要转折点）以及现在的深度学习。

NLG自然语言生成

那么让机器理解了我们的意图之后，下一步的工作就是让机器能够与我们沟通，这就涉及到NLG自然语言生成了。他也分简单的数据合并，模板和高级三个阶段数据合并的话可以参考邮件的合并，模板化的NLG可以参考企业中的红头文件，或者是消费提醒模板（尊敬的会员xxx,您在xxxx-xx-xx xx:xx:xx消费了xxxx元，您的余额还有xx元），而高级的NLG则是参考上下文，从而实现智能应对。而NLG的应用也比较广泛，机器人客服，BI报告等。

BI报告中的NLG使用原理其实还是比较深入的，例如销售型公司的BI在自动调取销售记录之后，会把销售的高低峰，产品类型等进行基础分析，然后调取外部天气、气候、节假日等信息进行融合，最后给出一个合理的销售方案或者营销策划等。

通过NLU和NLG的处理后，最终就能实现我们现在的智能机器人，就像一开始我们说的语音机器人，聊天机器人，机器翻译甚至是情感、婚姻分析。

而NLP的的两种学习路径也不同，一种是传统的机器学习，拆分预料-提取特征-选择分类器。而深度学习的路径则是预料预处理-设计模型-训练模型。

至于具体的处理过程专业性太强，就不进行分享了（实际我也不会。。。。。。）