你不喜歡Gmail替你把話說完嗎?或者Grammarly會幫助你聽起來不那麼語法錯誤?我們要感謝人工智能、機器學習和機器翻譯的句子生成。
自然語言處理(NLP)和自然語言理解(NLU)是計算機識別和理解大量自然語言數據的編程。自然語言生成(NLG)然後使用這些結構化數據並將其轉換為我們可以理解的文本和語言。
人工智能、機器學習和情感分析在這一領域的進步為營銷人員提供了巨大的機會,這主要歸功於自然語言處理和自然語言生成的發展。
事實上,由於GPT-3這樣一個新的強大的語言模型,許多商業上可用的人工智能和機器學習工具現在都提供了使用機器生成人類語言的複雜方法。
請繼續閱讀,以揭示自然語言處理和自然語言生成語句生成可以幫助您實現的三個目標。
用例#1:自由格式文本生成
作為NLG的營銷人員,你想要的一件事是自由格式的文本生成。自由格式文本生成不依賴於結構化數據,這意味著您不需要現成的數據庫或電子表格。
使用自由格式文本生成,您可以提供短語、句子或段落之類的輸入。接下來,用戶允許控製輸出。因此,NLG係統產生一個輸出作為輸入的延續。
穀歌智能撰寫就是一個很好的例子。Gmail嚐試預測一個單詞輸入後的短語。這個模型利用人的反饋來不斷改進。
來源:MarketMuse
自由文本生成對營銷人員在創建長篇文章、博客文章、電子郵件等時是有益的。使用自然語言生成自由文本的可能性是無限的。
用例#2:問題回答
使用NLG,您還可以將問題回答應用到您的業務中。問答係統是一種可以通過文本識別或語音識別,使用自然語言回答人類提出的問題的係統。這些係統可以是開放的,也可以是封閉的(特定於領域)。一些NLG模型功能很好,即使它們不是為回答問題而設計的。
NLG問答的用例如下:
- 知識庫查詢以獲得支持
- 聊天機器人
- 常見問題
- 目的研究
- 搜索引擎
- 內容簡介創作
回答問題的一個例子是棒球係統.這是20世紀60年代建立的封閉域回答係統的早期例子,旨在回答關於一年棒球統計數據和事實的問題。你可以問這個係統一些簡單的問題,比如“這個人的擊球率是多少?”它會返回正確而準確的答案。
另一個例子是IBM華生.這最初是一個開放域係統,打敗了兩個最偉大的Jeopardy!冠軍。底層技術推動了許多領域的人工智能應用。
用例#3:總結
最後一個用例是摘要。這很容易理解,因為隻要我們從事業務,我們就一直在手動總結我們的寫作,使用預覽、大綱和標題。摘要減少了文本數據的數量,同時捕捉到敘述中最重要的細節。
作為一名總結的營銷者,你必須知道的兩件主要事情是萃取性和抽象化之間的區別。提取摘要使用文本分析來提取最重要的短語或句子,並將其拚湊在一起。另一方麵,抽象總結相當於一個人用他或她自己的話寫一個總結。
總結的用例如下:
- 頭條新聞
- 手機瀏覽概述
- 總結多文本/多頁的文檔
- 期刊摘要
- 白皮書抽象
實踐中總結的一個例子是DeepAI.DeepAI使用提取摘要將任何文檔的大小減少到原始大小的20%。
另一個例子是Aylien.Aylien采用提取摘要,將一篇文章總結為用戶確定的固定數量的自然語言句子。
今天就報名參加AI學院的營銷人員!
這些見解來自自然語言生成的現狀,由Jeff Coyle (@jeffrey_coyle)MarketMuse.
營銷人員AI學院是我們的會員製在線教育平台和社區。該學院設有數十門由領先的人工智能和營銷專家教授的按需課程和證書。
課程輔以額外的獨家內容,包括:
- 每月與教練一起直播“問我任何事”。
- 回答AI係列的快速視頻,為常見的AI問題提供簡單的答案。
- 營銷人工智能會議(MAICON)的主題演講。
- AI Tech展示來自領先人工智能供應商的產品演示。
提供個人和團隊許可證。為學生、教育工作者和非營利組織提供折扣。
Gianna Mannarino
吉安娜是準備北方和營銷人工智能研究所的實習生。她是俄亥俄大學管理信息係統、分析學和市場營銷專業的大四學生。