我们将探讨如何大规模应用NLP业务应用程序以解决业务问题的一些示例。
计算机使用NLP来操纵人类语言，无论是提取意义，生成文本还是用于任何其他目的。根据需要完成的任务对交互计算机语言进行分类：总结一个长文档，在两种人类语言之间进行翻译或检测垃圾邮件，这些都是今天可以由机器正确完成的任务的例子。今天的大多数NLP都是基于机器学习，即能够模拟人类在类似情况下会做什么的统计方法。NLP大量用于客户服务。
客户服务中的相关NLP任务包括：
・
语音识别，将口语转换为文本
・
问答，其中涉及的是 – 回答人类用自然语言提出的问题
随着计算成本的不断下降和算法不断改进，企业开始采用可以让他们超越数据库的工具。这种数据通常称为外部数据，公共数据或开源智能（OSINT）。虽然其中一些数据是结构化的并且可以进行分析（例如人口普查数据，股票价格），但其大部分价值仍然存在于非结构化的，人为生成的文本中，如新闻，博客文章，论坛，专利，招聘信息，报告，社交媒体和公司网站。这些来源包含大量关于竞争对手，客户和整个市场如何发展的宝贵信息。
如今，随着消费者开始在Twitter和Facebook上表达他们的抱怨，声誉监控和管理已成为企业的首要任务。公司现在可以扫描整个网络，以提及他们的品牌和产品，并在他们采取行动时识别案例。
此应用程序的相关NLP任务包括：
・
情感分析，决定作者的态度，情感状态，判断或意图。这可以通过为文本指定极性（正面，中性或负面）或尝试识别潜在的情绪（快乐，悲伤，平静，愤怒等）来完成。
・
解析，将代词连接到正确的对象。这是一项具有挑战性的任务，但正确解释文本是必不可少的。例如，如果客户写道：“卖家的一个家伙打电话询问我是否喜欢我的新公寓。好吧，没有人，它很糟糕？“，重要的是要认识到”它“是指公寓而不是人。简而言之，客户抱怨产品而不是服务。
广告展示位置
媒体购买通常是公司广告预算的主要部分，因此任何可以确保广告呈现给正确眼球的目标都非常重要。我们的电子邮件，社交媒体，电子商务和浏览行为包含大量有关我们感兴趣的信息。此应用程序的相关NLP任务包括：
・
关键字匹配，用于检查某些文本中是否包含感兴趣的单词。虽然这种第一近似值通常足够好，但缺乏复杂性会产生非常不合适的结果。
・
感觉消歧或识别句子中使用哪个词的意义。这是NLP中主要的开放性问题之一。
要了解行业的现状对于制定有效的战略至关重要，但今天的内容分发渠道（RSS提要，社交媒体，电子邮件）会产生大量信息，以至于难以跟上。此应用程序的相关NLP任务包括：
・
事件提取：识别实体发生的事情。关于公司，政府和人员的事件的结构化数据库是分析业务生态系统的极其强大的工具。
・
句子分类：通常用作从大型存储库中提取相关内容的第一步。
・
法规遵从性：合规性的一个重要例子是药物上市后收集有关其副作用信息的研究。此应用程序的相关NLP任务包括：
・
命名实体识别：使用基于规则或统计方法提取药物，疾病，患者和制药公司的名称。
・
关系检测：用于识别提及不良药物事件的背景。这通常使用与概念对应的框架或单词模式来完成。
这两个任务都受益于使用本体，即提供对象字典和对象之间关系的结构化领域知识。