自然語(yǔ)言處理行業(yè)市場(chǎng)全景調(diào)研與發(fā)展前景

• 劉明月 2023年10月25日 來源：中研研究院 967 61
• 繁體

自然語(yǔ)言處理主要應(yīng)用于機(jī)器翻譯、輿情監(jiān)測(cè)、自動(dòng)摘要、觀點(diǎn)提取、文本分類、問題回答、文本語(yǔ)義對(duì)比、語(yǔ)音識(shí)別、中文OCR等方面。自然語(yǔ)言處理并不是一般地研究自然語(yǔ)言，而在于研制能有效地實(shí)現(xiàn)自然語(yǔ)言通信的計(jì)算機(jī)系統(tǒng)，特別是其中的軟件系統(tǒng)。因而它是計(jì)算機(jī)科學(xué)的

自然語(yǔ)言處理主要應(yīng)用于機(jī)器翻譯、輿情監(jiān)測(cè)、自動(dòng)摘要、觀點(diǎn)提取、文本分類、問題回答、文本語(yǔ)義對(duì)比、語(yǔ)音識(shí)別、中文OCR等方面。自然語(yǔ)言處理并不是一般地研究自然語(yǔ)言，而在于研制能有效地實(shí)現(xiàn)自然語(yǔ)言通信的計(jì)算機(jī)系統(tǒng)，特別是其中的軟件系統(tǒng)。因而它是計(jì)算機(jī)科學(xué)的一部分。

中研研究院《2022-2027年中國(guó)語(yǔ)言識(shí)別行業(yè)市場(chǎng)全景調(diào)研與發(fā)展前景預(yù)測(cè)報(bào)告》顯示

智慧芽的自然語(yǔ)言處理技術(shù)

通過大數(shù)據(jù)處理和文本聚類，從專利中挖掘關(guān)鍵技術(shù)信息：不需要人工大量投入閱讀和標(biāo)引精力;對(duì)專利的引用量、PatSnap同族數(shù)、侵權(quán)訴訟量、申請(qǐng)人、專利價(jià)值等多個(gè)維度做聚類分析，找重點(diǎn)專利。

通過語(yǔ)義理解、向量相似度比對(duì)，降低尋找目標(biāo)專利的難度：系統(tǒng)結(jié)合輸入內(nèi)容，挖掘文本的語(yǔ)義信息，在數(shù)據(jù)庫(kù)做相似性匹配;語(yǔ)義相似度算法模型主要包括關(guān)鍵詞及其擴(kuò)展模型、語(yǔ)義向量模型和語(yǔ)義圖譜向量模型，同時(shí)結(jié)合實(shí)踐經(jīng)驗(yàn)形成的規(guī)則。

智能的自動(dòng)處理機(jī)制：利用OCR技術(shù)自動(dòng)識(shí)別官文，根據(jù)文檔規(guī)則觸發(fā)內(nèi)部和官方期限，減少用戶重復(fù)作業(yè)。支持CPC一鍵轉(zhuǎn)檔、遞交以及CPC來文的自動(dòng)獲取，并且定期對(duì)自有公開專利的著錄項(xiàng)目、法律狀態(tài)、權(quán)利要求、說明書、附圖信息，利用智慧芽專利數(shù)據(jù)資源自動(dòng)更新，減少手動(dòng)狀態(tài)維護(hù)。

專利庫(kù)競(jìng)品公司：智慧芽

智慧芽(PatSnap)成立于2007年10月，是一家科技創(chuàng)新情報(bào)SaaS服務(wù)商，聚焦科技創(chuàng)新情報(bào)和知識(shí)產(chǎn)權(quán)信息化服務(wù)兩大板塊。通過機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺、自然語(yǔ)言處理(NLP)等人工智能技術(shù)，為科技公司、高校和科研機(jī)構(gòu)、金融機(jī)構(gòu)等提供大數(shù)據(jù)情報(bào)服務(wù)。公司創(chuàng)始人張濟(jì)徽，本科畢業(yè)于新加坡國(guó)立大學(xué)生物工程專業(yè)，2007年創(chuàng)辦智慧芽PatSnap。旗下產(chǎn)品包括PatSnap全球?qū)＠麛?shù)據(jù)庫(kù)、Innosnap知識(shí)產(chǎn)權(quán)管理系統(tǒng)、Insights英策專利分析系統(tǒng)、Discovery創(chuàng)新情報(bào)系統(tǒng)、LifeScience系列數(shù)據(jù)庫(kù)等。

2021年3月17日，智慧芽(PatSnap)宣布完成3億美元的E輪融資，本輪融資由騰訊和軟銀愿景基金二期領(lǐng)投，CPE跟投，紅杉中國(guó)、順為資本和祥峰投資等老股東繼續(xù)加持。指數(shù)資本擔(dān)任獨(dú)家財(cái)務(wù)顧問。從規(guī)模來看，該筆融資是2020年以來SaaS行業(yè)最大一筆融資，伴隨此輪融資智慧芽估值也超過10億美元。

自然語(yǔ)言處理行業(yè)市場(chǎng)全景調(diào)研與發(fā)展前景

定義：自然語(yǔ)言處理(NaturalLanguageProcessing,NLP)是計(jì)算機(jī)科學(xué)領(lǐng)域與人工智能領(lǐng)域中的一個(gè)重要方向。它研究能實(shí)現(xiàn)人與計(jì)算機(jī)之間用自然語(yǔ)言進(jìn)行有效通信的各種理論和方法。自然語(yǔ)言處理是一門融語(yǔ)言學(xué)、計(jì)算機(jī)科學(xué)、數(shù)學(xué)于一體的科學(xué)。因此，這一領(lǐng)域的研究將涉及自然語(yǔ)言，即人們?nèi)粘Ｊ褂玫恼Z(yǔ)言，所以它與語(yǔ)言學(xué)的研究有著密切的聯(lián)系，但又有重要的區(qū)別。

概念和技術(shù)

信息抽取(IE)

信息抽取是將嵌入在文本中的非結(jié)構(gòu)化信息提取并轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)的過程，從自然語(yǔ)言構(gòu)成的語(yǔ)料中提取出命名實(shí)體之間的關(guān)系，是一種基于命名實(shí)體識(shí)別更深層次的研究。信息抽取的主要過程有三步：首先對(duì)非結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行自動(dòng)化處理，其次是針對(duì)性的抽取文本信息，最后對(duì)抽取的信息進(jìn)行結(jié)構(gòu)化表示。信息抽取最基本的工作是命名實(shí)體識(shí)別，而核心在于對(duì)實(shí)體關(guān)系的抽取。

自動(dòng)文摘

自動(dòng)文摘是利用計(jì)算機(jī)按照某一規(guī)則自動(dòng)地對(duì)文本信息進(jìn)行提取、集合成簡(jiǎn)短摘要的一種信息壓縮技術(shù)，旨在實(shí)現(xiàn)兩個(gè)目標(biāo)：首先使語(yǔ)言的簡(jiǎn)短，其次要保留重要信息。

語(yǔ)音識(shí)別技術(shù)

語(yǔ)音識(shí)別技術(shù)就是讓機(jī)器通過識(shí)別和理解過程把語(yǔ)音信號(hào)轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的技術(shù)，也就是讓機(jī)器聽懂人類的語(yǔ)音，其目標(biāo)是將人類語(yǔ)音中的詞匯內(nèi)容轉(zhuǎn)化為計(jì)算機(jī)可讀的數(shù)據(jù)。要做到這些，首先必須將連續(xù)的講話分解為詞、音素等單位，還需要建立一套理解語(yǔ)義的規(guī)則。語(yǔ)音識(shí)別技術(shù)從流程上講有前端降噪、語(yǔ)音切割分幀、特征提取、狀態(tài)匹配幾個(gè)部分。而其框架可分成聲學(xué)模型、語(yǔ)言模型和解碼三個(gè)部分。

Transformer模型

Transformer模型在2017年，由Google團(tuán)隊(duì)中首次提出。Transformer是一種基于注意力機(jī)制來加速深度學(xué)習(xí)算法的模型，模型由一組編碼器和一組解碼器組成，編碼器負(fù)責(zé)處理任意長(zhǎng)度的輸入并生成其表達(dá)，解碼器負(fù)責(zé)把新表達(dá)轉(zhuǎn)換為目的詞。Transformer模型利用注意力機(jī)制獲取所有其他單詞之間的關(guān)系，生成每個(gè)單詞的新表示。Transformer的優(yōu)點(diǎn)是注意力機(jī)制能夠在不考慮單詞位置的情況下，直接捕捉句子中所有單詞之間的關(guān)系。模型拋棄之前傳統(tǒng)的encoder-decoder模型必須結(jié)合RNN或者CNN(ConvolutionalNeuralNetworks,CNN)的固有模式，使用全Attention的結(jié)構(gòu)代替了LSTM，減少計(jì)算量和提高并行效率的同時(shí)不損害最終的實(shí)驗(yàn)結(jié)果。但是此模型也存在缺陷。首先此模型計(jì)算量太大，其次還存在位置信息利用不明顯的問題，無(wú)法捕獲長(zhǎng)距離的信息。

基于傳統(tǒng)機(jī)器學(xué)習(xí)的自然語(yǔ)言處理技術(shù)

自然語(yǔ)言處理可將處理任務(wù)進(jìn)行分類，形成多個(gè)子任務(wù)，傳統(tǒng)的機(jī)械學(xué)習(xí)方法可利用SVM(支持向量機(jī)模型)、

Markov(馬爾科夫模型)、CRF(條件隨機(jī)場(chǎng)模型)等方法對(duì)自然語(yǔ)言中多個(gè)子任務(wù)進(jìn)行處理，進(jìn)一步提高處理結(jié)果的精度。但是，從實(shí)際應(yīng)用效果上來看，仍存在著以下不足：

(1)傳統(tǒng)機(jī)器學(xué)習(xí)訓(xùn)練模型的性能過于依賴訓(xùn)練集的質(zhì)量，需要人工標(biāo)注訓(xùn)練集，降低了訓(xùn)練效率。

(2)傳統(tǒng)機(jī)器學(xué)習(xí)模型中的訓(xùn)練集在不同領(lǐng)域應(yīng)用會(huì)出現(xiàn)差異較大的應(yīng)用效果，削弱了訓(xùn)練的適用性，暴露出學(xué)習(xí)方法單一的弊端。若想讓訓(xùn)練數(shù)據(jù)集適用于多個(gè)不同領(lǐng)域，則要耗費(fèi)大量人力資源進(jìn)行人工標(biāo)注。

(3)在處理更高階、更抽象的自然語(yǔ)言時(shí)，機(jī)器學(xué)習(xí)無(wú)法人工標(biāo)注出來這些自然語(yǔ)言特征，使得傳統(tǒng)機(jī)器學(xué)習(xí)只能學(xué)習(xí)預(yù)先制定的規(guī)則，而不能學(xué)規(guī)則之外的復(fù)雜語(yǔ)言特征。

基于深度學(xué)習(xí)的自然語(yǔ)言處理技術(shù)

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一大分支，在自然語(yǔ)言處理中需應(yīng)用深度學(xué)習(xí)模型，如卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等，通過對(duì)生成的詞向量進(jìn)行學(xué)習(xí)，以完成自然語(yǔ)言分類、理解的過程。與傳統(tǒng)的機(jī)器學(xué)習(xí)相比，基于深度學(xué)習(xí)的自然語(yǔ)言處理技術(shù)具備以下優(yōu)勢(shì)：(1)深度學(xué)習(xí)能夠以詞或句子的向量化為前提，不斷學(xué)習(xí)語(yǔ)言特征，掌握更高層次、更加抽象的語(yǔ)言特征，滿足大量特征工程的自然語(yǔ)言處理要求。(2)深度學(xué)習(xí)無(wú)需專家人工定義訓(xùn)練集，可通過神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)高層次特征。

圖表：2023年全球自然語(yǔ)言處理市場(chǎng)規(guī)模(單位：億美元)

數(shù)據(jù)來源：中研普華整理

NLP市場(chǎng)規(guī)模預(yù)計(jì)將從2019年的102億美元增長(zhǎng)到2023年的244億美元。隨著智能設(shè)備數(shù)量增長(zhǎng)以及行業(yè)智能化業(yè)務(wù)處理水平要求的提高，自然語(yǔ)言處理市場(chǎng)有望得到進(jìn)一步拓展。2019-2023年，全球自然語(yǔ)言處理規(guī)模復(fù)合年均增長(zhǎng)率達(dá)到24.3%。

自然語(yǔ)言處理行業(yè)研究報(bào)告旨在從國(guó)家經(jīng)濟(jì)和產(chǎn)業(yè)發(fā)展的戰(zhàn)略入手，預(yù)測(cè)未來業(yè)務(wù)的市場(chǎng)前景，以幫助客戶撥開政策迷霧，尋找行業(yè)的投資商機(jī)。自然語(yǔ)言處理報(bào)告在大量的分析、預(yù)測(cè)的基礎(chǔ)上，研究了行業(yè)今后的發(fā)展與投資策略，為企業(yè)在激烈的市場(chǎng)競(jìng)爭(zhēng)中洞察先機(jī)。

更多自然語(yǔ)言處理行業(yè)研究分析詳見中研普華產(chǎn)業(yè)研究院《2022-2027年中國(guó)語(yǔ)言識(shí)別行業(yè)市場(chǎng)全景調(diào)研與發(fā)展前景預(yù)測(cè)報(bào)告》。根據(jù)自然語(yǔ)言處理市場(chǎng)需求及時(shí)調(diào)整經(jīng)營(yíng)策略，為戰(zhàn)略投資者選擇恰當(dāng)?shù)耐顿Y時(shí)機(jī)和公司領(lǐng)導(dǎo)層做戰(zhàn)略規(guī)劃提供了準(zhǔn)確的市場(chǎng)情報(bào)信息及科學(xué)的決策依據(jù)。

• 相關(guān)深度報(bào)告REPORTS

  

  2023-2028年光伏發(fā)電行業(yè)市場(chǎng)深度分析及發(fā)展策略研究報(bào)告

  光伏發(fā)電是利用半導(dǎo)體界面的光生伏特效應(yīng)而將光能直接轉(zhuǎn)變?yōu)殡娔艿囊环N技術(shù)。主要由太陽(yáng)電池板（組件）、控制器和逆變器三大部分組成，主要部件由電子元器件構(gòu)成。太陽(yáng)能電池經(jīng)過串聯(lián)后進(jìn)行封裝...

  查看詳情

延伸閱讀

推薦閱讀

猜您喜歡