人工智能通识 课件 第5章 机器讲你知

机器讲你知素养目标技能目标知识目标能够利用自然语言处理技术完成与计算机的沟通；能够结合自然语言处理和专业背景提出创新性应用思路。理解自然语言处理的定义。；了解自然语言处理模型的演变历程；熟悉自然语言处理的主要技术。树立民族自豪感，坚持民族自信；培养社会责任感和职业道德；促进爱国情怀和科技自强决心。学习目标自然语言处理旨在使机器理解、解释并生成人类语言，实现人机之间有效沟通，使计算机能够执行语言翻译、情感分析、文本摘要等任务。1.2.3.自然语言处理概述自然语言处理的演变历程自然语言处理的主要技术4.

自然语言处理的应用场景目录01自然语言处理概述自然语言处理（NaturalLanguageProcessing，NLP）使机器理解、解释并生成人类语言，实现人机之间有效沟通，是机器语言和人类语言之间沟通的桥梁。自然语言处理的定义自然语言处理概述自然语言处理广泛应用于翻译、问答系统、语音助手、情感分析等领域，为人们的生活和工作带来极大便利。如今，NLP的发展使得人机交互更加自然和高效，极大地改善了我们的科技体验。自然语言处理的应用前景02自然语言处理模型的演变历程数字图像成像过程数字相机通过镜头、感光传感器等将模拟图像信号转换为数字图像信号，再经图像处理器压缩存储，完成图像的数字化。PART02自然语言处理模型的演变历程早期智能模型早期自然语言处理依赖人工编写规则，如词法、句法规则，处理简单语言现象，但难以应对复杂语言问题。应用场景情感分析工具系统通过统计“垃圾邮件”中常见的词汇（如“免费”“中奖”）来判断邮件是不是垃圾邮件。它们利用关键词的出现概率，对邮件进行简单的分类。系统通过统计“垃圾邮件”中常见的词汇（如“免费”“中奖”）来判断邮件是不是垃圾邮件。它们利用关键词的出现概率，对邮件进行简单的分类。垃圾邮件过滤器数字图像成像过程数字相机通过镜头、感光传感器等将模拟图像信号转换为数字图像信号，再经图像处理器压缩存储，完成图像的数字化。PART02自然语言处理模型的演变历程词向量模型

词向量模型（WordEmbeddingModel）将语言中的每一个词映射为一个稠密的、低维的向量（实数向量），这样模型可以更好地“理解”词与词之间的语义关系。如“猫”“狗”“动物”在词向量空间中接近，表示语义相似性，为模型处理语言提供数学基础。应用场景短视频标签推荐假设你上传了一段关于“烘焙”的视频，系统可以自动生成相关标签，如“蛋糕”“甜品”以及“烘焙教程”，因为它能理解“烘焙”和“蛋糕”之间的关系当你在搜索引擎中输入“如何养猫”时，系统不仅能输出相关内容，还能推荐“幼猫喂养指南”这样的相关内容，因为“猫”和“幼猫”在词向量空间中的距离很近。智能搜索数字图像成像过程数字相机通过镜头、感光传感器等将模拟图像信号转换为数字图像信号，再经图像处理器压缩存储，完成图像的数字化。PART02自然语言处理模型的演变历程深度学习模型

随着深度学习的引入，NLP模型开始能够处理更复杂的语言任务。就像我们学外语时，能将单词、语法与上下文联系起来，理解语言中的多义性和上下文之间的联系。应用场景语音输入法即使你使用带有方言的语音输入，如“俺想吃饺子”，系统也能够识别并将其准确转写为标准文字，因为它能够结合上下文理解语音的含义如果你询问“订单多久到货？”，系统不仅可以检索订单信息，还能够结合历史数据进行推理，给出准确的回答“预计明天下午送达”。智能客服数字图像成像过程数字相机通过镜头、感光传感器等将模拟图像信号转换为数字图像信号，再经图像处理器压缩存储，完成图像的数字化。PART02自然语言处理模型的演变历程Transformer模型

Transformer模型在多个任务上都能达到超人级别的表现，因其能够通过大规模预训练学习到语言的深层次规律。目前最常用的机器翻译模型是Transformer模型，它可以实时翻译对话甚至识别口音应用场景智能写作助手当你输入“写一篇关于环保的演讲稿”时，GPT能够根据你的需求，自动生成完整的文章结构，甚至包括引言、论点和结论想象一下，在一场中英文混杂的国际会议上，系统能够实时翻译与会者的讲话，甚至能够处理不同的口音和方言。实时翻译03自然语言处理的技术自然语言处理的技术0102基础技术高级技术（1）词语拆解（2）句法解析（3）语义理解（1）上下文推理——让机器“不健忘”（2）文本生成——机器的“写作课”自然语言处理的技术0304情感与交互技术学习技术（1）情感分析——判断“好评”还是“差评”（2）对话系统——24小时在线的“智能助手（1）监督学习——“开卷考试”（2）无监督学习——“自己找规律”03.01.02.词语拆解1）分词：把句子“切”成一个个词语。例如，“我想吃火锅”就变成了“我/想/吃/火锅”这样的分词组合。2）词性标注：给每个词贴上“身份标签”，就像给每个同学贴上不同的角色标签一样。例如，“小猫在沙发上睡觉”，给每个词贴上标签后就是“小猫（名词）、在（介词）、沙发（名词）、上（方位名词）、睡觉（动词）”句法解析句法解析是机器的“语法老师”，它教会计算机如何拆分句子的主谓宾结构，让机器能识别“谁在做什么”。语义理解（1）多义词消歧：就像“苹果”在不同场景中的含义不同，机器必须根据上下文判断词义。例如，在“苹果股价上涨”中，“苹果”指公司；而在“苹果富含维生素”中则指水果。（2）命名实体识别：就像在文章中“划重点”一样，用于识别文本中的人名、地名等实体。例如，“马斯克宣布特斯拉将在上海建厂”的重点是人名（马斯克）、品牌（特斯拉）、地名（上海）。基础技术01.02.上下文推理——让机器“不健忘”1）指代消解：就是解决“它”“他”“这里”指代什么的问题。例如，“小王买了一本书，他今天读完了它”，机器要能知道“他”指的是小王，“它”指的是书，这样才能准确理解句子的意思。2）话语分析，就像理解聊天记录中的“潜台词”。例如，用户问：“你们几点下班？”，表面是在问时间，其实可能是在关心“我现在是否还能过来办理业务”。文本生成——机器的“写作课”1）摘要生成：把长文变成“金句”。类似我们读了一篇很长的故事，然后用自己的话把这个故事的主要内容简单说一下。2）机器翻译：打破语言壁垒的“同声传译”。例如，我们出国旅游时，用翻译类的APP拍下菜单，它能实时显示“Sushi→

寿司”。3）故事创作：AI充当“编剧助手”。例如，输入“侦探在雨夜发现一封信……”AI就能根据这个开头续写破案过程，它就像一个有创意的小助手，帮助我们创作出有趣的故事。高级技术01.02.情感分析——判断“好评”还是“差评””1）情感分类：就像给评论“贴表情包”，让机器一眼就能看出评论是正面的还是负面的。例如，分析评论“这手机续航太差了！”，机器就会给它贴上“负面”的表情包标签。2）情感强度分析：不仅能判断出情感的好坏，还能区分情绪的强烈程度，就像我们能听出别人是有点生气还是非常愤怒一样。对话系统——24小时在线的“智能助手”1）问答机器人：“活的百科全书”，不管我们问什么问题，它都能给出答案。例如，询问“如何做番茄炒蛋？”，AI不仅会回复详细的步骤，还会提供视频链接。2）聊天机器人：“贴心客服”，能帮助解决各种问题。例如，淘宝客服机器人，可以帮助查订单、退换货，还会用“亲”开头来拉近和用户的距离，让用户感觉更亲切。情感与交互技术03.深度学习——“复杂任务专家”01.02.无监督学习——“自己找规律”监督学习——“开卷考试”

监督学习是一种通过带标签（答案）的数据训练模型的方法。模型通过比较预测结果与真实标签的差异，逐步调整参数以减少误差。其数学本质是优化损失函数（如交叉熵、均方误差），使模型输出逼近真实分布。

例如，用标记好的“垃圾短信”（广告、诈骗）和“正常短信”来训练分类器，这样机器就能学会区分垃圾短信和正常短信了。无监督学习不使用标签数据，而是通过聚类、降维等方法发现数据的内在结构和规律。其核心任务是挖掘潜在模式。例如，通过词频统计发现主题分布或通过用户行为聚类划分兴趣群体。深度学习通过多层神经网络模拟人脑的层次化信息处理机制。其核心优势在于自动提取高阶特征。例如，从原始语音信号中逐层提取音素、词汇到语义信息。自然语言处理的学习技术典型应用场景核心价值什么是多模态技术？

多模态技术是人工智能领域的革命性突破通过融合视觉、听觉、文本等多源信息赋予机器接近人类的综合感知与推理能力

例如，用标记好的“垃圾短信”（广告、诈骗）和“正常短信”来训练分类器，这样机器就能学会区分垃圾短信和正常短信了。"耳眼并用"的综合感知能力从"单一感官"→"全感官"从"工具"→"伙伴"

智能相册检索

语音："帮我找手机照片里的狗狗"↓

听懂指令+扫描图片+识别宠物↓

快速定位目标照片未来智能家居

摄像头

→

识别手势

麦克风

→

接收语音

温度传感器

→

感知环境↓

综合判断，精准服务技术技术前沿：多模态技术——让机器拥有"全感官"

04自然语言处理的应用场景01语音助手技术特点理解人类语言语音识别和生成上下文感知自我学习与改进0203语音助手技术流程（1）语音输入（2）语音识别（3）自然语言理解（NLU）（4）对话管理（5）自然语言生成（NLG）（6）语音合成（TTS）（7）输出回应语音助手的应用语音助手广泛应用于信息查询（如天气、新闻、百科）、生活服务（如闹钟、日程、购物）、智能家居控制（如灯光、家电、安防）、车载交互（如导航、音乐、通话））等场景，通过语音理解和执行命令，为用户提供高效、便捷、自然的操作体验。语音助手机器翻译的技术特点多语言支持、高效快速、持续改进、上下文理解、定制化翻译010203机器翻译机器翻译的技术流程（1）文本输入（2）语言检测

（3）文本预处理

（4）翻译模型应用

（5）语言生成

（6）后处理

（7）输出翻译结果02（1）文本输入（2）文本预处理（3）特征提取（4）情感分类（5）情感强度评估（6）结果展示（7）反馈与调整技术流程02情感分析广泛应用于舆情监测与品牌管理、客户反馈分析、市场调研、金融情绪预测、娱乐推荐以及心理健康监测等领域，通过对用户情绪的自动化识别与分析，帮助企业、机构和个人更精准地理解公众态度并做出相应决策应用场景031）情感识别2）多语言支持3）实时分析4）细粒度情感分析5）自我学习与改进技术特点01情感分析技术特点自动、高效分类；多类别支持；自我学习与改进；多语言处理；可扩展性强技术流程（1）文本输入（2）文本预处理（3）特征提取

（4）模型训练（5）模型验证与优化（6）文本分类（7）结果输出（8）持续学习与更新应用场景文本分类是一种利用自然语言处理和机器学习技术，将文本自动归入预设类别的技术，广泛应用于垃圾邮件过滤、新闻分类、舆情监测、客服工单自动分配、法律文书归档、学术论文主题识别、社交媒体内容审核等场景，通过快速准确地为海量文本打上标签，提高信息处理效率并支持自动化决策。010302文本分类实验案例：任务说明实验目标本次实验包含两个核心任务，旨在将NLP理论知识应用于实战，深入掌握自然语言处理技术的实际应用能力。任务详情1智能情感分析目标：