雷鋒網 AI 科技評論按，今日，谷歌分享了 Semantic Experiences，在博客中展示了兩大關于自然語言理解的互動工具。Talk to Books 是一個可以從書中的句子層面搜索書籍的全新檢索模式；另一個互動內容則是 Semantris，一個由機器學習驅動的單詞聯(lián)想游戲。

地址：https://research.google.com/semanticexperiences/

雷鋒網了解到，谷歌還發(fā)布了「通用語句編碼器」（Universal Sentence Encoder），更加詳細地呈現(xiàn)了上述示例所使用的模型；當然，谷歌還為開源社區(qū)提供了一個預訓練的 TensorFlow 模型，開發(fā)者可以測試自己的句子及短語編碼。

地址：https://tfhub.dev/google/universal-sentence-encoder/1

自然語言理解在近年已經有了極大進步，這得益于詞向量（word vectors）的發(fā)展，這一技術使算法能根據(jù)實際語言使用的例子來學習單詞之間的關系。這些向量模型根據(jù)概念和語言的等價性、相似性或關聯(lián)性，將語義相似的詞或短語投影到臨近點。

建模方法

谷歌拓展了在向量空間中表征語言（language）的構想，這一想法通過為像完整句子或段落為代表的較大語言塊創(chuàng)建向量來實現(xiàn)。語言是由具有概念的層次結構組成的，因此團隊采用模塊的層次結構來構建向量，每一模塊都要考慮與不同時間尺度序列所對應的特征。各種類型的關系，如關聯(lián)、同/反義、部分/整體等都可以用向量空間語言表示。團隊在論文《Efficient Natural Language Response for Smart Reply》有更多介紹。

論文地址：https://arxiv.org/abs/1803.11175

Talk to Books

以往我們在檢索書籍時，通常會從書名、作者、主題等表面標簽入手。而谷歌發(fā)布的「Talk to Books」可以為用戶提供一種檢索書籍的全新方法。用戶只需要做一段相關描述，或是提一個相關的問題，那么 Talk to Books 可以在不依賴關鍵詞匹配的情況下，從超過 10 萬本書籍中檢索所有句子，并根據(jù)句子層面的語義，找到能匹配用戶陳述或問題的句子。從某種意義上來說，Talk to Books 是一種用戶與書「交談」的新模式，系統(tǒng)給出的回答也能幫助用戶確定自己是否對相關主題感興趣。

模型在正式發(fā)布前經歷了超十億次的對話訓練，以打磨更好的用戶體驗——對用戶的提問或陳述給出更加合適的回答。這一方式相比起普通的谷歌檢索，可能會幫助用戶找到一些更有趣的書籍，特別是在關鍵字搜索中并不會顯示的一些結果。

不過，這一模型還有更多的改進空間，比如搜索范圍局限在句子層面上，而不是段落，因此可能會產生「斷章取義」的情況。另外，因為只看某一句子的匹配程度，這也可能導致某些眾所周知的、「符合口味」的書并不會出現(xiàn)在檢索結果的前列。谷歌團隊此舉，更多的是希望幫助人們以一種新的探索方式，發(fā)現(xiàn)不曾料想過的作者和書名，竟然會有讀者感興趣的內容。

地址：https://books.google.com/talktobooks

Semantris

Semantris 是一個由相同技術驅動的單詞聯(lián)想游戲。屏幕上會呈現(xiàn)所有單詞，用戶可以輸入某個單詞，隨即系統(tǒng)會根據(jù)屏幕上單詞與用戶輸入單詞的關聯(lián)程度進行重新排序。不論是近義詞、反義詞還是相近概念，系統(tǒng)都能找到對應的排序模式。

如圖所示，用戶輸入「Photo」時，最頂部的「Camara」因為與輸入單詞的關聯(lián)最為緊密，因此會更替排序調整到第一位「消掉」。這確實是一個鍛煉聯(lián)想能力的好機會，此外還有限時模式和不限時模式供用戶體驗。

地址：https://research.google.com/semantris

相信在這兩個工具的驅動下，人工智能能夠與用戶更好地進行交互學習，并且?guī)椭祟愒诂F(xiàn)實生活中更好地理解科技，使用科技，并受惠于科技。更多資訊敬請關注雷鋒網AI科技評論。

雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。