利用机器视觉技术处理语意理解将会有效提高指令周期

机器存在的目的无非是协助人类进行各式工作，将人类从无聊繁琐的事物中解放。 由于没有一个行业不需要语言，每一个行业也都有特殊的文字与行话，因此，语意理解绝对是人工智能的重要应用之一，未来将在无数领域给予人类各种协助。

举例而言，如繁琐的数据库整理、阅读查询等等工作，都与语意分析有关系。 另外，电子商务中的舆情分析，也是语意理解技术一项相当重要应用实例。 尽管语言相关的应用依然是人工智能中比较困难的一部分，然而目前在舆情分析应用中，准确率已可达到八成以上。 虽距离完全正确尚有距离，但已经可以做到相当程度的应用。

与舆情分析概念相同的意图侦测功能，同样可以应用在在线客服机器人的开发，或是自动翻译机制，都是人工智能中的语意理解技术能够发挥的应用领域。

中文编码无法穷举 须转向机器学习技术编码

语意理解的第一个步骤是为文字编码。 例如，英文属于拼音文字，26个字母加上标点符号顶多70个编码就能涵盖英语的所有编码可能。 但中文的变化不如英语稳定，同样一件事情有无限多种表述方式，因此在中文的语意理解操作上，就会相较英语困难许多。

若是将每个中文字看作单独的存在并个别编码，大约会有两万个以上的编码数据。 由于相较于英文而言，中文若是将几个单字抽换、交换位置，人类依然可以理解，要是再加上网络流行语、同音字、中英文夹杂等等使用情境，编码数可能将会超过四万。

先前曾针对电子商务的评论进行分析，发现同样是在表示「快递速度优良」此一讯息，就有超过三千种中文表述方式。 而且表述方式还能够无限扩充，该数据量将随着数据的增加而出现无限多种中文句型（图1）。

图1 针对电子商务的评论进行分析，发现同样是在表示「快递速度优良」此一讯息，就有超过三千种中文表述方式。

以往，传统语意分析方法是必须先建立一个巨型的数据库，接着用抓关键词的方式比对出需要的数据，并没有使用到深度学习技术。 然而，由于语言很复杂且具弹性，因此使用穷举法建立数据库将会发现永远无法列出所有可能。 唯有转向让机器理解，以新的角度理解中文的语意理解，才能做到最具效率且准确的语意理解。

配合词向量技术 以机器视觉技术理解语意

以往人们皆是以序列的方式去思考文字，进而理解语意。 近来人们开始将技术开发方式转移至词向量技术。 由于其能自主学习，进而找到中文字词之间关联的特性，故成为近来中文语言分析的最大突破。

利用词向量的特性，把百万个词汇压缩成两百个维度，会发现语言突然变得很简单，只要使用基本的加法、减法数学概念，便能够解决语意之间的关联性。 举例而言，「国王」、「皇后」、「男人」、「女人」四个字词都能够指向一个向量，因此，假如我们输入「国王-男人+女人」，计算机便能计算向量之间的相似度，而得出「皇后」此一解答。 词向量的计算方式大致如图2。

图2 利用词向量的特性，基本的加法、减法数学概念便能够解决语意之间的关联性。

也由于每个字词都有一个向量，该向量也能被视为是一个二维的图像。 因此又进一步衍伸出一个新的技术趋势，便是将机器视觉技术运用于语意理解之中。 也就是说，以前会去侦测序列的意义，现在是去侦测该二维图像的意义。

利用机器视觉技术处理语意理解将会有效提高指令周期。 以往利用序列的方式，一次只能运算一个字词的维度，无法平行运算。 然而机器视觉能利用GPU平行运算，将比传统运算方式更为精准且效率更好。