保險(xiǎn)行業(yè)的自然語言處理（NLP）可以從混合機(jī)器學(xué)習(xí)/符號(hào)方法中受益，以提高可擴(kuò)展性，同時(shí)運(yùn)用高級(jí)符號(hào)推理。

保險(xiǎn)文件和保單：復(fù)雜的用例

眾所周知，高達(dá)87%的數(shù)據(jù)科學(xué)項(xiàng)目未能從概念驗(yàn)證到生產(chǎn)；保險(xiǎn)領(lǐng)域的自然語言處理（NLP）項(xiàng)目也不例外。他們必須克服不可避免地與這個(gè)空間及其錯(cuò)綜復(fù)雜相關(guān)的一些困難。

最主要的困難來自：

保險(xiǎn)相關(guān)文件的復(fù)雜布局。

缺乏帶有相關(guān)注釋的大量語料庫(kù)。

布局的復(fù)雜性是如此之大，以至于相同的語言概念可以根據(jù)其在文檔中的存放位置而極大地改變其含義和價(jià)值。

以下看一個(gè)簡(jiǎn)單的例子：假如嘗試構(gòu)建一個(gè)引擎來識(shí)別政策中是否存在“恐怖主義”覆蓋范圍，將不得不分配一個(gè)不同的值，無論它被放置在：

（1）申報(bào)頁(yè)面的分限額部分。

（2）政策的“排除”章節(jié)。

（3）增加一個(gè)或多個(gè)保險(xiǎn)的背書。

（4）為該承保范圍添加特定內(nèi)容的背書。

缺乏高質(zhì)量、大小合適的帶注釋的保險(xiǎn)文件語料庫(kù)，這與注釋此類復(fù)雜文件的固有難度以及注釋數(shù)萬份保單所需的工作量直接相關(guān)。

而這只是冰山一角。除此之外，還必須考慮保險(xiǎn)概念正常化的必要性。

語言規(guī)范化：保險(xiǎn)語言中一種無形但強(qiáng)大的力量

在處理數(shù)據(jù)庫(kù)時(shí)，概念的規(guī)范化是一個(gè)很好理解的過程。因?yàn)樗菓?yīng)用推理和提高注釋過程速度的關(guān)鍵，它對(duì)于保險(xiǎn)領(lǐng)域的NLP也是至關(guān)重要的。

規(guī)范化概念意味著在相同的標(biāo)簽語言元素下分組，這可能看起來很不同。雖說有許多例子，但最重要的例子來自針對(duì)自然災(zāi)害的保險(xiǎn)單。

在這種情況下，不同的子限制將應(yīng)用于不同的洪水區(qū)。洪水風(fēng)險(xiǎn)最高的地區(qū)一般被稱為“高風(fēng)險(xiǎn)洪水區(qū)”。這個(gè)概念可以表示為：

（1）一級(jí)洪水區(qū)

（2）洪水風(fēng)險(xiǎn)區(qū)(SFHA)

（3）洪水區(qū)A

等等

事實(shí)上，任何保險(xiǎn)承保范圍都可以有很多術(shù)語，這些術(shù)語可以組合在一起，根據(jù)特定的地理區(qū)域及其固有風(fēng)險(xiǎn)，最重要的自然災(zāi)害承保范圍甚至有兩層或三層的區(qū)別（I、II和III）。

將其乘以能找到的所有可能的元素，變體的數(shù)量很快就會(huì)變得很大。這招致機(jī)器學(xué)習(xí)注釋器和自然語言處理（NLP）引擎在嘗試檢索、推斷甚至標(biāo)記正確信息時(shí)都陷入困境。

新型的語言聚類：混合方法

解決復(fù)雜自然語言處理（NLP）任務(wù)的更好方法是基于混合（機(jī)器學(xué)習(xí)/符號(hào)）技術(shù)，該技術(shù)通過基于機(jī)器學(xué)習(xí)的微語言聚類改進(jìn)保險(xiǎn)工作流程的結(jié)果和生命周期，然后由符號(hào)引擎繼承。

雖說在無監(jiān)督學(xué)習(xí)方法中使用傳統(tǒng)的文本聚類來推斷語義模式，并將具有相似主題的文檔、具有相似含義的句子等組合在一起，但混合方法有很大的不同。使用預(yù)定義的規(guī)范化值，通過在標(biāo)記數(shù)據(jù)上訓(xùn)練的機(jī)器學(xué)習(xí)算法在粒度級(jí)別上建立微語言聚類。一旦推斷出微語言聚類，它就可以用于進(jìn)一步的機(jī)器學(xué)習(xí)活動(dòng)或用于基于符號(hào)層驅(qū)動(dòng)推理邏輯的混合管道。

這符合傳統(tǒng)的編程黃金法則：“分解問題”。解決復(fù)雜用例（就像保險(xiǎn)領(lǐng)域中的大多數(shù)用例一樣）的第一步是將其分解成更小、更容易接受的塊。

混合語言聚類可以完成哪些任務(wù)，可擴(kuò)展性怎樣？

符號(hào)引擎一般被標(biāo)記為極其精確但不可擴(kuò)展，因?yàn)樵谔幚碛?xùn)練階段未見的情況時(shí)，它們不具備機(jī)器學(xué)習(xí)的靈活性。

然則，這種類型的語言聚類通過運(yùn)用機(jī)器學(xué)習(xí)來識(shí)別概念，進(jìn)而解決這個(gè)問題，這些概念隨后被傳遞到管道中接下來的符號(hào)引擎的復(fù)雜和精確邏輯。

可能性是無窮無盡的：比如，符號(hào)步驟可以根據(jù)概念所屬的文檔段改變機(jī)器學(xué)習(xí)識(shí)別的內(nèi)在價(jià)值。

下面是一個(gè)使用“分段”（將文本分割成相關(guān)區(qū)域）的符號(hào)過程來了解怎樣使用機(jī)器學(xué)習(xí)模塊傳遞的標(biāo)簽的示例。

想象一下，模型需要理解是否某些保險(xiǎn)范圍被排除在100頁(yè)保單之外。

機(jī)器學(xué)習(xí)引擎將首先將“藝術(shù)”（Arts）覆蓋范圍的所有可能變體聚集在一起：

“精美藝術(shù)”（Fine Arts）

“藝術(shù)作品”（Workof Arts）

“藝術(shù)品”（Artistic Items）

“珠寶”（Jewelry）

等等。

緊接著，管道的符號(hào)部分將檢查“排除”部分是否提到了“藝術(shù)”（Arts）標(biāo)簽，進(jìn)而了解該保險(xiǎn)是否被排除在保單之外，亦或是否被覆蓋（作為次級(jí)限額清單的一部分）。

考慮到這一點(diǎn)，機(jī)器學(xué)習(xí)注釋者無須擔(dān)心根據(jù)“藝術(shù)”（Arts）變體在策略中的位置為所有“美術(shù)”變體指定不同的標(biāo)簽：他們只需要為其變體注釋“藝術(shù)”（Arts）的規(guī)范化值，這將作為一個(gè)微語言集群。

復(fù)雜任務(wù)的另一個(gè)有用示例是數(shù)據(jù)聚合。假如混合引擎意在提取特定覆蓋范圍的子限制，以及覆蓋規(guī)范化問題，則需要處理額外的復(fù)雜層：用于聚合的語言項(xiàng)目的順序。

考慮一下，手頭的任務(wù)不僅是提取特定覆蓋范圍的子限制，而且還提取其限定符（每次事件、聚合等）。這三個(gè)項(xiàng)目可以按幾個(gè)不同的順序排列：

Fine Arts $100,000 Per Item

Fine Arts Per Item $100,000

Per Item $100,000 Fine Arts

$100,000 Fine Arts

Fine Arts $100,000

在聚合數(shù)據(jù)的同時(shí)運(yùn)用所有這些排列可以明顯增加機(jī)器學(xué)習(xí)模型的復(fù)雜性。另一方面，混合方法將讓機(jī)器學(xué)習(xí)模型識(shí)別歸一化標(biāo)簽，然后讓符號(hào)推理根據(jù)來自機(jī)器學(xué)習(xí)部分的輸入數(shù)據(jù)識(shí)別正確的順序。

這只是兩個(gè)例子，表明可以在可擴(kuò)展的機(jī)器學(xué)習(xí)算法之上應(yīng)用無限數(shù)量的復(fù)雜符號(hào)邏輯和推理，以識(shí)別規(guī)范化的概念。

更易于構(gòu)建和維護(hù)的可擴(kuò)展的工作流程

除了可擴(kuò)展性之外，符號(hào)推理還為整個(gè)項(xiàng)目工作流程帶來了其他好處：

無需為復(fù)雜任務(wù)實(shí)施不同的機(jī)器學(xué)習(xí)工作流，需要實(shí)施和維護(hù)不同的標(biāo)簽。另外，重新訓(xùn)練單個(gè)機(jī)器學(xué)習(xí)模型比重新訓(xùn)練多個(gè)模型更快，并且資源消耗更少。

考慮到業(yè)務(wù)邏輯的復(fù)雜部分是以符號(hào)方式處理的，故此對(duì)數(shù)據(jù)注釋者來說，將人工注釋添加到機(jī)器學(xué)習(xí)管道要容易得多。

考慮到上述相同的原因，測(cè)試人員也更容易直接為機(jī)器學(xué)習(xí)標(biāo)準(zhǔn)化過程提供反饋。另外，考慮到工作流的機(jī)器學(xué)習(xí)部分對(duì)語言元素進(jìn)行了規(guī)范化，用戶將有一個(gè)較小的標(biāo)簽列表來標(biāo)記文檔。

符號(hào)規(guī)則不需要常常更新：常常更新的是機(jī)器學(xué)習(xí)部分，它也可以從用戶的反饋中受益。

結(jié)語

保險(xiǎn)領(lǐng)域復(fù)雜項(xiàng)目中的機(jī)器學(xué)習(xí)可能會(huì)受到影響，因?yàn)橥评磉壿嫼茈y壓縮為簡(jiǎn)單的標(biāo)簽；這也使注釋者的生活更加困難。

文本位置和推論可以極大地改變具有相同語言形式的概念的實(shí)際含義。

在純粹的機(jī)器學(xué)習(xí)工作流程中，邏輯越復(fù)雜，一般需要越多的訓(xùn)練文檔來實(shí)現(xiàn)生產(chǎn)級(jí)準(zhǔn)確度 。

出于這個(gè)原因，機(jī)器學(xué)習(xí)需要數(shù)千（甚至數(shù)萬）個(gè)預(yù)先標(biāo)記的文檔來構(gòu)建有效的模型。

采用混合方法可以降低復(fù)雜性：機(jī)器學(xué)習(xí)和用戶的注釋建立語言集群/標(biāo)簽，然后這些將用作符號(hào)引擎實(shí)現(xiàn)其目標(biāo)的起點(diǎn)或構(gòu)建塊。

用戶的反饋一旦得到驗(yàn)證，就可用于重新訓(xùn)練模型，而無需更改最精細(xì)的部分（可由工作流的符號(hào)部分進(jìn)行處理）。