nlg

在回答你的问题之前，我先来梳理一下什么是自然语言处理（NLP）尤其是与自然语言生成（NLG）成对比的自然语言理解（NLU）。

自然语言处理（NLP）是指机器理解并解释人类写作、说话方式的能力。

NLP 的目标是让计算机／机器在理解语言上像人类一样智能。

最终目标是弥补人类交流（自然语言）和计算机理解（机器语言）之间的差距。

有了 NLP，有可能完成自动语音、自动文本编写这样的任务。

由于大型数据（文本）的存在，我们可以使用计算机的能力，不知疲倦地运行算法来完成这样的任务，花费的时间也更少。

这些任务包括 NLP 的其他应用，比如自动摘要（生成给定文本的总结）和机器翻译。

NLP 的机制涉及两个流程：自然语言理解（NLU）和自然语言生成（NLG）。

自然语言理解（NLU)NLU 是要理解给定文本的含义。

文本内每个单词的特性与结构需要被理解。

在理解结构上，NLU 要理解自然语言中的以下几个歧义性：词法歧义性：单词有多重含义句法歧义性：语句有多重解析树语义歧义性：句子有多重含义回指歧义性（Anaphoric Ambiguity）：之前提到的短语或单词在后面句子中有不同的含义。

接下来，通过使用词汇和语法规则，理解每个单词的含义。

然而，有些词有类似的含义（同义词），有些词有多重含义（多义词）。

自然语言理解（NLU）的具体应用有：文本分类、自动摘要、机器翻译、对话系统、自动回答、阅读理解等。

自然语言生成(NLG)NLG 是从结构化数据中以可读地方式自动生成文本的过程。

它可被分为三个阶段：1. 文本规划：完成结构化数据中基础内容的规划。

2. 语句规划：从结构化数据中组合语句，来表达信息流。

3. 实现：产生语法通顺的语句来表达文本。

自然语言生成(NLG)的主要应用有：自动写诗、论文写作、报告生成、新闻写作、专利写作、百科写作等。

以上。

你认为相比于NLU，NLG显得不那么重要的原因可能是出于如下一个对比，也是如今NLP领域的一个现状：即如火如荼突飞猛进的机器翻译（NLP）的风头压过了似乎止步不前的NLG，比如NLU最近又取得重大进展，Facebook提出全新CNN机器翻译：准确度超越谷歌而且还快九倍；在此之前，谷歌在机器翻译方面也不断取得新突破： 谷歌翻译整合神经网络：机器翻译实现颠覆性突破和谷歌神经机器翻译再突破：实现高质量多语言翻译和 zero-shot 翻译。

而于此同时，NLG却进展甚微，这一方面是由于目前的NLG多使用模版，灵活性较差，缺少泛化能力；另一方面NLG虽然也使用神经网络，但目前技术较不成熟，虽然有一定的泛化能力，但是鲁棒性欠佳。

我想，NLU与NLG的关系恰如有监督学习和无监督学习。

虽然目前有监督学习进展大，成果丰硕，但是依然没有放弃收效不大的无监督学习，因为我们知道无监督学习才是人工智能的未来。

同样，NLG虽然难，但是我们依然不能放弃，NLU与NLG恰如NLP的两条腿，要走路，少了那个都不行。