自然语言理解
自然语言理解，是研究如何让电脑读懂人类语言的一门技术，是自然语言处理技术中最困难的一项。
研究问题
- What?：何谓理解？
- How?：电脑如何能理解人类语言。
- When?：电脑了解到何种程度才算理解。
- Where?：自然语言如何转换成电脑可理解的结构，如何储存。
- Why?：电脑真的能理解吗？为何能、为何不能。
范畴与脉络
自然语言理解这个概括的术语，适用于多样的电脑应用，从小型、相对简单之事，例如发给机器人的简短命令，到高度复杂的任务，例如完全读懂报纸新闻或理解一段诗。许多真实世界的运用介于两个极端之间，例如文本分类用于自动分析电邮，并且将其转发至公司适合的部门，并不需要深切理解文本，但是比起结构固定的资料库之查询，要处理的词汇以及句法更广更多样。
自然语言理解系统设定的目标深度与广度，决定其复杂度（连带隐含的挑战）与处理的应用类型。系统的广度以其词汇及语法的多寡来衡量；系统的深度以其相对于母语人士的理解程度来衡量。“近似英语”指令的翻译程序属于最窄浅的一种，但处理的应用也少。狭窄但深入的系统探究并模拟理解的机制，但应用范围仍然有限。超越简单关键字对比的文件内容理解系统，例如判断新闻稿是否适合某读者，属于比较宽广的系统，也算复杂，但是仍然有些浅薄。既广且深的系统，现今的尖端技术仍无法达成。
元件与系统结构
无论什么手法，多数自然语言理解系统包含一些共同的元件。系统需要其语言的模板:Link-en、语法分析器以及 语法的规则，从而分解语句成为内在的表述。建立具有适当本体的、多量的词汇表，是件大工程，例如WordNet的词汇表耗费多年人力。
系统也需要“语义理论”去引导理解。语言理解系统的解析能力有赖于使用的语义理论。互竞的语义理论，作为电脑自动语义解析的基础，各有其特定的平衡取舍。理论从“素朴语义学（naive semantics）”或 “随机语义分析（stochastic semantic analysis）”到利用“语用学”从上下文得出意涵。
自然语言理解的高级应用也会在其框架内纳入逻辑推理，其过程是将得出的意涵对应到一阶逻辑的一组论断，然后用演绎推理得到结论。
自然语言理解的文本脉络处理可能遭遇难关，各种各样的例子与反例，造成了脉络形式模拟的多重途径，各有特定的强弱之处。
应用
- 人机交谈：电脑如何能与人交谈？
- 机器翻译：电脑如何将一篇英文文章翻译成中文？
- 自动摘要：电脑如何对文章进行摘要？
参见
