最准确的语言理解系统依靠企业知识来解决任何复 语言理解的隐性 杂的业务问题。应用此类知识是符号 AI 方法的基础，该方法在文本分析、认知处理自动化 (CPA) 和智能客户互动等横向用例方面表现出色。
这些知识通常存储在知识图谱中，以词汇表、分类法和规则的形式出现。这些元素提供了术语的一致定义，因此其含义清晰，而规则则提供了一种通过这些知识进行推理的方法，以便系统真正理解它们遇到的文本。
语言理解系统使用两种类型的知识：
- 显性知识是透明的，可通过易于理解、可解释的方式获得（例如，专家提供分类法）。例如，任何人只要查看知识图谱中的产品名称定义，就能理解它们在整个业务部门或企业中的含义。
- 隐性知识不太透明，也更难解释。当某人执行任务时，他们正在获取和展示隐性知识。事实上，个人甚至可能没有意识到他们正在获得这些技能，也无法解释它们……或者他们是如何获得 whatsapp 号码数据 这些技能的。隐性知识的一个典型例子是深度神经网络中表示的知识。这是隐性知识，因为它不透明，不可能以精确的方式追踪或理解。
显性知识的应用始终为语言理解系统提供最准确的结果。这些显性方法可以涉及符号人工智能和统计方法，包括机器学习。
扩展显性知识
显性知识是最基本的知识形式，易于传递，因为它是书面的并且易于获取。通过显性方式获取知识是一种专门为语言理解应用程序设计的方法。此过程包括阅读文档、理解其内容并提取相关知识以丰富存储此信息的知识图谱。组织可以采用手动方法或自动化方法来汇总这些知识。
显性知识和 NLU
在语言理解系统中使用显性知识有着悠 通过移动营销自动化实现收入最大化的 10 个策略 久的历史。作为一门学科，人工智能植根于这种基于知识的方法。它实际上是第一种应用于语言理解的方法，而不是统计机器学习方法。由于符号人工智能是为语言理解量身定制的，因此它不用于其他类型的人工智能，如图像识别。
隐性知识和NLU
由于隐性知识是通过经验获得的，而且更难解释，因此 巴西商业名录 很难解开。目前，复杂的多层神经网络以隐性方式捕获和存储知识。对于那些具有深度学习计算能力和规模的网络来说尤其如此。语言理解系统获取知识的最隐性方法包括使用卷积神经网络、图神经网络、Transformer 和来自 Transformer 的双向编码器表示。