语义识别的难点在哪？ 语义分析过程中，最大的困难是什么？
用自然语言与计算机进行交流,获取合适的信息,得到满意的服务,是人们长期以来所追求的.自然语言理解是计算机科学领域与人工智能领域中的一个重要方向.它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法.NLU是自然语言理解(Natural Language Understanding)的缩写.
随着计算机技术和人工智能总体技术的发展,自然语言理解不断取得进展.机器翻译是自然语言理解最早的研究领域.由于早期研究中理论和技术的局限,所开发的机译系统的技术水平较低,不能满足实际应用的要求.到了1970年代初期,对语言理解对话系统的研究取得进展.进入1980年代之后,自然语言理解的应用研究广泛开展,机器学习研究又十分活跃,并出现了许多具有较高水平的实用化系统.这些系统是自然语言理解研究的重要成果,表明自然语言理解在理论上和应用上取得了突破性进展.
在中国,语音和语言处理技术的研发略晚于国外.清华大学智能技术与系统国家重点实验室属下的语音技术中心1979年创立（原名语音实验室）,至今已有25年的历史.在以清华大学语音技术中心为代表的顶尖的学术机构的带动下,中国的语音和语言处理技术得到很大发展.
相对于规范语言,对自然语言的理解具有更大的难度.这是因为自然语言包含大量的口语语言现象,诸如：省略、指代、更正、重复、强调、倒序等等.涉及到语音的口语对话系统将还包括噪音、含混不清、口头语、吃音、音变等等口语语音现象.
而相对于基于关键词的技术,自然语言理解技术的优势是：（1）直接：在信息查询时,用户可以不必进行多级菜单的选取而直奔主题.（2）灵活：用户查询不必严格按照某些关键词进行询问,只要用户的叙述在语义上与要查询的一致.
一个技术优越而适用性好的自然语言理解系统,应该具备支持上下文相关分析（包括省略分析）、话题自由变换、人机混合主导以及口语对话等技术特点.
上下文相关分析是指系统在理解当前语句时可以联想用户以前所说的话,进行综合分析,因此即使有时用户所说的话有一定的省略,系统照样可以理解.
话题自由变换是指系统允许用户在多个话题之间不断转换,系统照样可以记住以前的谈话内容,比如用户在问航班起飞时间时,突然问目的地与本地的时差,然后再确认要先前询问的航班,而目前的一些系统,对话往往只能局限于某一个话题,一旦用户变换话题,系统将无所适从.
人机混合主导则是完全的自然对话,用户可以转换话题后在回到原来的话题（像人一样）；用户可以答非机问（多回答或少回答）；……而系统都可以根据实际情况提取语义信息,如果用户询问的信息足够,那么系统直接回答问题；而如果用户询问的信息不全或者用户迟疑太久,那么系统则主动询问来获取足够的信息.而不具备人机混合主导性能的系统只能等用户发问,如果用户根本不知道问什么,那么系统将一直待机等待.
口语对话是自然语言理解技术实现的难点,但是也是应用系统适用性的关键点.口语中,人们的语言很随意,可以省略、更正、倒叙等等,这些口语现象是传统的单单基于词法分析的理解系统所难以解决的,而引入基于关键语义的技术却可以很好地解决.
从目前的理论和技术现状看,通用的、高质量的自然语言处理系统,仍然是较长期的努力目标,但是针对一定应用,具有相当自然语言处理能力的实用系统已经出现.
语义分析过程中的最大困难是类型审查，审查每个算符是否具有语言规范允许的运算对象，当不符合语言规范时，编译程序应报告错误。
语义差别量表需要挑选一些能够形容评分概念的一系列对立的形容词或短语，每组形容词代表评分的两个极端条件李克特量表避免了设计对立形容词的难题。这种量表有一系列能够表达对所研究的概念是肯定还是否定态度的陈述所构成。比如：能穿多少穿多少；豆腐一块两块；还有网友们的freestyle，这些都需要强的人工智能去识别，目前最好的解决办法就是深度神经网络加上大数据，飔拓旗下的AInspir就比较智能。
