NLP的工程化，不是一个个算法的累积，也不是一个个任务的独立优化，而应该是系统工程，综合考虑语言、计算、场景等多种因素，不断演进融合，寻求效果满意解的过程。根据赫伯特．西蒙（图灵奖和诺贝尔奖双料得主）的有限理性模型，受到所处环境的高度复杂性和有限的信息加工能力限制，因此NLP应用落地时，我们不可能遵循”最优化“的策略，而应该以获取当前可接受的“满意解＂为目标。＂最优解＂可以作为实验室环境下的研究目标，而”满意解“是工程化的条件下我们唯一的选择。
我们提出了“语言、计算、场景”三角形满意解的NLP工程化技术路线，希望从工程化的角度，综合语义的符号化表示、传统语言学的知识表示、深度学习的算法模型等多种技术，在具体场景需求的约束下，寻找NLP工程应用的满意解。
最小化的语言特征是基础的语言资源
基础的语言特征是有限的，否则，语言将呈不稳定态，人们之间互相理解语言也将不可能。基础语言特征，包括词库、词汇的句法语义属性、词汇之间的关联性（同义、反义、上下位）等。比如，“打败”是一个动词，“高兴”是动物的一种情绪，“胜利”和“失败”的反义关系，“胜利”和“打败”的同义关系等。这些词语的意思和它们之间的关系，无论在那个行业场景中都是基本不变的。
我们已经构建了中文、英文的基础语言特征集，其中包括80000多个常用词汇，覆盖了大部分常用词汇。据统计中文常用的5万个词可以覆盖人民日报新闻用词的99％。基础的语言特征集是分类的，比如针对情感计算的基础语言特征中包含了140多种情绪。
基础的语言特征集，必须通过人工方式构建。我们有30多人的语言学团队，经过长达10年的积累，已初步构建完善。
语言特征的泛化是必需的计算技术
语言的使用是动态的，特定场景下的新词、新用法会层出不穷的出现。比如“深度学习”原来不是一个词，但近几年被广泛使用，特指一类神经网络算法。这一类的特征表示，可以采用机器学习算法（包括深度学习），从真实语料中自动学习，对基础语言特征进行扩充和泛化。利用机器学习算法，也可以进行同义词的泛化，比如“查看、查查、查一查、查询一下、查寻一下”等是“查询”的同义词。同时，也可以开展词语关联的泛化，比如“马云－阿里巴巴”的关系和“马化腾－腾讯”的关系类似等。
机器学习得到的新词、新用法，可以通过相似度计算等算法，将学习结果与基础语言特征对齐，以获得新词对应的语言属性。比如“深度学习”是一个名词，是“算法”的下位，与“神经网络”同义等。对齐操作保证了泛化特征的一致性。
语言和算法的有效结合是关键
根据每一类语言结构的特点，有指导的选择算法。比如，对于汉语的流水句的处理，哪些语言特征是流水句的激活特征，流水句是否适合LSTM算法，哪些特征参与LSTM的运算等。而不是针对所有句法结构，采用一种LSTM模型来进行句法分析。
语言结构因为其动态性，不适合把结构本身作为机器学习的输入，而应该在输入侧，通过语料标注或规则设计，把结构进一步抽象成为一个更抽象的特征，输入给机器学习、深度学习算法。如在形容词谓语句的分析中，“形容词短语”作为一个抽象特征，输入给句子分析算法，而不用关心“形容词短语”是用什么算法得到的。相反，机器学习算法的输出，必须以语言特征或语言结构的形式，这样才能保证结果的可解释性。
我们认为，深度学习只是NLP算法库中的一部分，也许只在某一个具体的环节中效果最好，对机器学习（深度学习）算法的“有的放矢”的使用，是NLP工程化的关键。
应用场景是无法回避的约束条件
应用场景是NLP应用的需求和使用环境，不同的应用场景，其约束条件是不同的。有的场景是处理营销数据的，有的是处理客服数据的；有的场景可以提供大量的标注数据，有的只能提供有限的业务规则；有的场景是同步的，有的是异步的。NLP应用必须在满足场景约束的前提下，选择处理流程、计算算法、语料资源等内容的配置。比如，对同样一批数据，同样一个文本，营销场景和客服场景的输出要求完全不同，所用算法也可完全不同，客服场景可以用分类算法，但营销场景也许需要用抽取算法。
很多NLP应用场景下，客户都希望在很短的时间内、在没有训练语料的情况下，快速看到NLP应用的效果，实现“冷启动”。比如某电信企业，客服的动单分类有 2000 多项。电信自己整理了3个多月，每一个分类下的数据都很少，但电信也不可能在每一个细分小类，都帮助我们训练出那么大量的数据，提供给机器学习算法训练。
“冷启动”的关键是规则方法与机器学习方法的有效融合。第一步，采用规则方法，构建一批应用规则，对应用场景下的典型语料，进行规则分析，针对性的获取特征，并对典型语料进行标注。第二步，把典型语料的标注数据，作为机器学习算法的样本，利用各种机器学习（深度学习）算法去做扩充、泛化。对泛化的结果，采用抽样方法，进行人工校验，加入到典型语料中去。这样循环处理，形成一个良性循环，不断的逼近客户要求。
NLP工程化的目标
NLP系统的开发与应用，既需要尊重语言学知识，以语言学知识为指导，又需要充分利用机器学习（深度学习）技术的计算优势，以机器学习为工具，持续迭代发展，才能在工程应用中发挥NLP的能力，实现满意解。
NLP工程化期望达到以下目标：
（1）可解释性，NLP系统输出的结果，应该符合基本的语言学规律，可以用语言学的术语进行解释，而不是给出一堆杂乱无章的数据，让用户从沙海淘金。
（2）一致性，NLP系统的处理过程，应该是随着处理对象的层次和深度，而逐步叠加模块，下级模块使用上级模块的结果，方便进行优化。而不是针对每个任务，采用“一竿子插到底”的复杂算法，中间过程完全是黑盒子。
（3）即用性，NLP系统的应用，需要做到即插即用的“冷启动”，或者是在很小的数据集上进行规则表述和预训练。一切需要用户标注海量数据，才能启动的NLP系统，都是耍流氓。
（4）可迁移性，NLP系统，应该在不用大的改动前提下，即可迁移到类似场景。而不应该是千人千面，过分个性化。
（5）自知之明，NLP系统的终极目标是做到自知之明，系统对输出的结果应该有明确的置信度，哪些结果一定保证是对的，哪些一定是不对的，哪些是不确定，需要人工干预的。有了可靠的自知之明的能力，NLP系统才具备了达到人类理解水平的基本条件。
近两年很多媒体报道，计算机在阅读理解、机器翻译等领域超过了人类水平，其实是媒体的一种夸大其辞的误导，计算机只是做了端到端的匹配，匹配结果与标准答案做了个百分比的统计。计算机对阅读理解的内容一无所知，对匹配结果的对错毫无概念，从自知之明的角度衡量的话，计算机的水平可能还达不到小学一年级学生的水平。
语言理解是人工智能皇冠上的明珠，要达到真正的理解能力，道阻且长；正确处理好语言、计算、场景的融合，NLP技术已经可以在非结构化转结构化等应用方向上大展宏图，取得巨大的商业价值。
自知之明的NLP终极目标，任重道远，我们将与您一路同行。
