自然語言生成 – NLG 是 NLP 的重要組成部分，他的主要目的是降低人類和機器之間的溝通鴻溝，將非語言格式的數據轉換成人類可以理解的語言格式。
本文除了介紹 NLG 的基本概念，還會介紹 NLG 的3個 Level、6個步驟和3個典型的應用。
NLG 是 NLP 的一部分
NLP = NLU NLG
自然語言生成 – NLG 是 NLP 的重要組成部分。NLU 負責理解內容，NLG 負責生成內容。
以智能音箱為例，當用戶說“幾點了？”，首先需要利用 NLU 技術判斷用戶意圖，理解用戶想要什么，然后利用 NLG 技術說出“現在是6點50分”。
NLG 是為了跨越人類和機器之間的溝通鴻溝，將非語言格式的數據轉換成人類可以理解的語言格式，如文章、報告等。
自然語言生成 – NLG 有2種方式：
簡單的數據合并：自然語言處理的簡化形式，這將允許將數據轉換為文本（通過類似Excel的函數）。為了關聯，以郵件合并（MS Word mailmerge）為例，其中間隙填充了一些數據，這些數據是從另一個源（例如MS Excel中的表格）中檢索的。
模板化的 NLG ：這種形式的NLG使用模板驅動模式來顯示輸出。以足球比賽得分板為例。數據動態地保持更改，并由預定義的業務規則集（如if / else循環語句）生成。
高級 NLG ：這種形式的自然語言生成就像人類一樣。它理解意圖，添加智能，考慮上下文，并將結果呈現在用戶可以輕松閱讀和理解的富有洞察力的敘述中。
第一步：內容確定 – Content Determination
作為第一步，NLG 系統需要決定哪些信息應該包含在正在構建的文本中，哪些不應該包含。通常數據中包含的信息比最終傳達的信息要多。
第二步：文本結構 – Text Structuring
確定需要傳達哪些信息后，NLG 系統需要合理的組織文本的順序。例如在報道一場籃球比賽時，會優先表達「什么時間」「什么地點」「哪2支球隊」，然后再表達「比賽的概況」，最后表達「比賽的結局」。
第三步：句子聚合 – Sentence Aggregation
不是每一條信息都需要一個獨立的句子來表達，將多個信息合并到一個句子里表達可能會更加流暢，也更易于閱讀。
第四步：語法化 – Lexicalisation
當每一句的內容確定下來后，就可以將這些信息組織成自然語言了。這個步驟會在各種信息之間加一些連接詞，看起來更像是一個完整的句子。
第五步：參考表達式生成 – Referring Expression Generation|REG
這個步驟跟語法化很相似，都是選擇一些單詞和短語來構成一個完整的句子。不過他跟語法化的本質區別在于“REG需要識別出內容的領域，然后使用該領域（而不是其他領域）的詞匯”。
第六步：語言實現 – Linguistic Realisation
最后，當所有相關的單詞和短語都已經確定時，需要將它們組合起來形成一個結構良好的完整句子。
NLG 的不管如何應用，大部分都是下面的3種目的：
下面給大家列一些比較典型的應用：
自動寫新聞
某些領域的新聞是有比較明顯的規則的，比如體育新聞。目前很多新聞已經借助 NLG 來完成了。
《騰訊機器人日均寫稿過千篇 你讀的新聞可能是AI寫的》
聊天機器人
大家了解聊天機器人都是從 Siri 開始的，最近幾年又出現了智能音箱的熱潮。
除了大家日常生活中很熟悉的領域，客服工作也正在被機器人替代，甚至一些電話客服也是機器人。
《跟你通話的客服是個機器人！》
BI 的解讀和報告生成
幾乎各行各業都有自己的數據統計和分析工具。這些工具可以產生各式各樣的圖表，但是輸出結論和觀點還是需要依賴人。NLG 的一個很重要的應用就是解讀這些數據，自動的輸出結論和觀點。（如下圖所示）
自然語言生成 – NLG 是 NLP 的重要組成部分，他的主要目的是降低人類和機器之間的溝通鴻溝，將非語言格式的數據轉換成人類可以理解的語言格式。
NLG 的3個level:
NLG 的6個步驟：
NLG 應用的3個目的：
NLG 的3個典型應用：
