一文看懂自然语言生成 - NLG（6个实现步骤+3个典型应用）_nlghqp

本文首发自 easyAI - 人工智能知识库

原文地址：《一文看懂自然语言生成 - NLG（6个实现步骤+3个典型应用）》

自然语言生成 - NLG 是 NLP 的重要组成部分，他的主要目的是降低人类和机器之间的沟通鸿沟，将非语言格式的数据转换成人类可以理解的语言格式。

本文除了介绍 NLG 的基本概念，还会介绍 NLG 的3个 Level、6个步骤和3个典型的应用。

什么是 NLG？

NLG 是 NLP 的一部分

NLP = NLU + NLG

自然语言生成 - NLG 是 NLP 的重要组成部分。NLU 负责理解内容，NLG 负责生成内容。

以智能音箱为例，当用户说“几点了？”，首先需要利用 NLU 技术判断用户意图，理解用户想要什么，然后利用 NLG 技术说出“现在是6点50分”。

自然语言生成 - NLG 是什么？

NLG 是为了跨越人类和机器之间的沟通鸿沟，将非语言格式的数据转换成人类可以理解的语言格式，如文章、报告等。

自然语言生成 - NLG 有2种方式：

1. text - to - text：文本到语言的生成
2. data - to - text ：数据到语言的生成

NLG 的3个 Level

**简单的数据合并：**自然语言处理的简化形式，这将允许将数据转换为文本（通过类似Excel的函数）。为了关联，以邮件合并（MS Word mailmerge）为例，其中间隙填充了一些数据，这些数据是从另一个源（例如MS Excel中的表格）中检索的。

模板化的 NLG ：这种形式的NLG使用模板驱动模式来显示输出。以足球比赛得分板为例。数据动态地保持更改，并由预定义的业务规则集（如if / else循环语句）生成。

高级 NLG ：这种形式的自然语言生成就像人类一样。它理解意图，添加智能，考虑上下文，并将结果呈现在用户可以轻松阅读和理解的富有洞察力的叙述中。

NLG 的6个步骤

第一步：内容确定 - Content Determination

作为第一步，NLG 系统需要决定哪些信息应该包含在正在构建的文本中，哪些不应该包含。通常数据中包含的信息比最终传达的信息要多。

第二步：文本结构 - Text Structuring

确定需要传达哪些信息后，NLG 系统需要合理的组织文本的顺序。例如在报道一场篮球比赛时，会优先表达「什么时间」「什么地点」「哪2支球队」，然后再表达「比赛的概况」，最后表达「比赛的结局」。

第三步：句子聚合 - Sentence Aggregation

不是每一条信息都需要一个独立的句子来表达，将多个信息合并到一个句子里表达可能会更加流畅，也更易于阅读。

第四步：语法化 - Lexicalisation

当每一句的内容确定下来后，就可以将这些信息组织成自然语言了。这个步骤会在各种信息之间加一些连接词，看起来更像是一个完整的句子。

第五步：参考表达式生成 - Referring Expression Generation|REG

这个步骤跟语法化很相似，都是选择一些单词和短语来构成一个完整的句子。不过他跟语法化的本质区别在于“REG需要识别出内容的领域，然后使用该领域（而不是其他领域）的词汇”。

第六步：语言实现 - Linguistic Realisation

最后，当所有相关的单词和短语都已经确定时，需要将它们组合起来形成一个结构良好的完整句子。

NLG 的3种典型应用

NLG 的不管如何应用，大部分都是下面的3种目的：

1. 能够大规模的产生个性化内容
2. 帮助人类洞察数据，让数据更容易理解
3. 加速内容生产

下面给大家列一些比较典型的应用：

自动写新闻

某些领域的新闻是有比较明显的规则的，比如体育新闻。目前很多新闻已经借助 NLG 来完成了。

《腾讯机器人日均写稿过千篇 你读的新闻可能是AI写的》

聊天机器人

大家了解聊天机器人都是从 Siri 开始的，最近几年又出现了智能音箱的热潮。

除了大家日常生活中很熟悉的领域，客服工作也正在被机器人替代，甚至一些电话客服也是机器人。

《跟你通话的客服是个机器人！》

BI 的解读和报告生成

几乎各行各业都有自己的数据统计和分析工具。这些工具可以产生各式各样的图表，但是输出结论和观点还是需要依赖人。NLG 的一个很重要的应用就是解读这些数据，自动的输出结论和观点。（如下图所示）

总结

自然语言生成 - NLG 是 NLP 的重要组成部分，他的主要目的是降低人类和机器之间的沟通鸿沟，将非语言格式的数据转换成人类可以理解的语言格式。

NLG 的3个level:

1. 简单的数据合并
2. 模块化的 NLG
3. 高级 NLG

NLG 的6个步骤：

1. 内容确定 - Content Determination
2. 文本结构 - Text Structuring
3. 句子聚合 - Sentence Aggregation
4. 语法化 - Lexicalisation
5. 参考表达式生成 - Referring Expression Generation|REG
6. 语言实现 - Linguistic Realisation

NLG 应用的3个目的：

1. 能够大规模的产生个性化内容
2. 帮助人类洞察数据，让数据更容易理解
3. 加速内容生产

NLG 的3个典型应用：

1. 自动写新闻
2. 聊天机器人
3. BI 的解读和报告生成