NLP、NLU 和 NLG 之间有什么区别？

人工智能正在改变我们计划和创建内容的方式。 它还改变了用户发现内容的方式，从他们在 Google 上搜索的内容到他们在 Netflix 上疯狂观看的内容。

更重要的是，对于内容营销人员来说，它允许团队通过自动化某些类型的内容创建和分析现有内容来扩展您所提供的内容并更好地匹配用户意图。

人工智能和机器学习过程中有许多活动部分。 您可能经常听到的三个是自然语言处理 (NLP)、自然语言理解 (NLU) 和自然语言生成 (NLG)。

这些术语经常被混淆，因为它们都是在计算机中复制人类交流的单一过程的一部分。

让我们来看看这些术语的含义以及它们（以及整个人工智能）如何帮助营销人员简化他们的内容营销策略。

什么是自然语言处理 (NLP)？

语音识别是自然语言处理的一个组成部分，它结合了人工智能和机器学习。 在这里，NLP 算法用于理解自然语音以执行命令。

自然语言处理始于一个库，即一组使用 API 或应用程序编程接口插入系统的预编程算法。 基本上，该库为计算机或系统提供了一组自然语言的规则和定义作为基础。

您的开发团队可以定制该基础以满足您产品的需求。

神经网络在 NLP 系统中占有重要地位，并用于文本分类、问答、情感分析和其他领域。 处理涉及理解口语的大数据相对容易，并且可以训练网络来处理不确定性，而无需显式编程。

因此，如果您是 Google，您正在使用自然语言处理来分解人类语言并更好地理解搜索查询或电子邮件中句子背后的真正含义。 您还使用它来分析博客文章，以将内容与已知的搜索查询相匹配。

每当您向 Alexa、Siri、Google 或 Cortana 提出问题时，以及在您使用聊天机器人时，也会使用 NLP。 该程序会针对数千个其他类似查询分析您的语言，以便为您提供最佳搜索结果或问题的答案。

人工智能和机器学习的美妙之处在于，通过经常使用，它可以学习你的语言模式以改进和定制其结果。

什么是自然语言理解 (NLU)？

自然语言理解是自然语言处理的一小部分。 一旦语言被分解，程序就可以理解、寻找意义，甚至执行情感分析。

该程序将语言分解为更易于理解的可消化部分。 它通过在语义和句法上分析文本来做到这一点。

在语义上，它通过将单词与相似的例子进行比较来寻找单词背后的真正含义。 同时，它将文本分解为词类、句子结构和词素（单词中最小的可理解部分）。

与结构化数据不同，人类语言是混乱和模棱两可的。 作为一个物种，我们的交流很少直截了当。 每当我们说话时，语法和单词的字面意思几乎都会消失。

事实上，“窗外”就是一个很好的例子。 当然，我并不是说我把东西扔出一个字面意思的窗口，尤其是因为我谈论的是无形的概念而不是实体对象。

当你问你的智能设备“I-93现在怎么样？”时也是如此。

如果你是字面上的，你可能会得到这样的答案，“它很长，灰色的，有汽车在上面行驶。 它最近铺设在 36 和 42 号出口之间。” 但是您可能想知道交通状况如何。

这就是自然语言理解的用武之地。它采用我们每天说话的俚语、比喻的方式，理解我们真正的意思。

什么是自然语言生成 (NLG)？

一旦聊天机器人、智能设备或搜索功能理解了它“听到”的语言，它就必须以你反过来会理解的方式与你对话。

这就是 NLG 的用武之地。例如，它从搜索结果中获取数据，并将其转换为可理解的语言。 所以每当你问你的智能设备时，“现在 I-93 上的情况如何？” 它几乎可以像另一个人一样回答。

它可能会说“36 号出口发生事故，造成 15 分钟延误”或“道路畅通”。

NLG 也用于聊天机器人技术。 事实上，聊天机器人已经变得如此先进。 您甚至可能不知道您正在与机器交谈。

在聊天机器人中使用 NLP、NLG 和机器学习可以释放资源，并允许公司提供 24/7 全天候客户服务，而无需配备大型部门。

NLG 也可用于大规模创建基于数据的内容。 如果您定期制作模板内容，例如根据劳工部的季度就业报告讲一个故事，您可以使用 NLG 分析数据并根据数字编写基本叙述。

然后，您和您的编辑团队可以专注于其他更复杂的内容。

据营销人工智能研究所称，美联社已经使用 NLG 来创建收益报告。

NLP、NLU 和 NLG 之间有什么区别？

NLP、NLU 和 NLG 都在教机器像人类一样思考方面发挥了作用。 他们只是解决对话式 AI 问题的不同部分。 如何让机器识别、理解和生成自然语言？ 您如何使用它来回答搜索查询并大规模创建内容？

让我们举一个具体的例子来说明这些功能是如何协同工作的。

你下班回家，想知道你的股票今天表现如何。 在你告诉你的智能设备打开你的灯并调高温度后，你会问：“嘿，谷歌，今天的股市表现如何？”

您的 Google Home 设备会听取您的查询，然后 NLP 启动。它会处理您的问题并将其分解为可理解的部分——“股市”和“今日”是它关注的关键字。

然后，它会将您的查询与一般向 Google 提出的类似查询进行比较，并尝试了解您的要求。 那是NLU。

一旦它知道您想知道纳斯达克、道琼斯和标准普尔 500 指数的收盘数字，它就会在网络上抓取最能回答您问题的内容。

一旦它从可靠来源（如彭博社）获得数据，它就会提取相关数据并以通俗易懂的语言提供。 那是NLG。 它的回答类似于，“据彭博社报道，纳斯达克指数下跌 1.5 点，但道琼斯指数上涨 77 点，标准普尔指数上涨 5 点。”

然后，您可以询问您拥有的特定股票，然后重新开始该过程。

机器学习的伟大之处在于，如果你经常问这两个问题，你的智能设备可能会开始预测你的请求，同时为你提供股票数量和整体市场数量。

为什么这一切都很重要？

营销人工智能研究所强调了所有这些技术对内容营销的未来的重要性。 营销人员面临的最严峻挑战之一，我们在几篇文章中提到的，是大规模创建内容的能力。

现在，假设您在该搜索请求的另一端。 您是为彭博、CNN Money 甚至经纪公司创建内容的人。 您已经完成了内容营销研究，并确定股票市场表现的每日报告可以增加您网站的访问量。

但是每天创建相同的报告非常耗时。 NLP、NLU 和 NLG 可以为您创建内容。 NLP 和 NLU 将分析股票市场上的内容并将其分解，而 NLG 将获取适用的数据并将其转化为您网站的模板故事。

但还有另一种方式人工智能和所有这些过程可以帮助你扩展内容。

想象一下，你有一个工具可以阅读和解释内容，发现它的优点和缺点，然后写出满足搜索引擎和用户需求的博客文章。

我们实际上越来越接近那个工具。

事实上，MarketMuse 的工具非常接近。 它将使用 NLP 和 NLU 在个人或整体层面分析您的内容。 虽然它不能为您撰写完整的博客文章，但它可以生成包含所有应该回答的问题、应该出现的关键字以及应该包含的内部和外部链接的简报。

人工智能和机器学习为营销、销售和客户服务团队开辟了无限可能。 一些内容创建者对取代人类作家和编辑的技术持谨慎态度。

但它实际上可以通过承担内容创建的死记硬背任务并允许他们创建访问者正在搜索的有价值的、深入的内容来解放编辑专业人员。