保險行業的自然語言處理（NLP）可以從混合機器學習/符號方法中受益，以提高可擴展性，同時運用高級符號推理。

保險文件和保單：復雜的用例

眾所周知，高達87%的數據科學項目未能從概念驗證到生產；保險領域的自然語言處理（NLP）項目也不例外。他們必須克服不可避免地與這個空間及其錯綜復雜相關的一些困難。

最主要的困難來自：

保險相關文件的復雜布局。

缺乏帶有相關注釋的大量語料庫。

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

以下看一個簡單的例子：假如嘗試構建一個引擎來識別政策中是否存在“恐怖主義”覆蓋范圍，將不得不分配一個不同的值，無論它被放置在：

（1）申報頁面的分限額部分。

（2）政策的“排除”章節。

（3）增加一個或多個保險的背書。

（4）為該承保范圍添加特定內容的背書。

缺乏高質量、大小合適的帶注釋的保險文件語料庫，這與注釋此類復雜文件的固有難度以及注釋數萬份保單所需的工作量直接相關。

而這只是冰山一角。除此之外，還必須考慮保險概念正常化的必要性。

語言規范化：保險語言中一種無形但強大的力量

在處理數據庫時，概念的規范化是一個很好理解的過程。因為它是應用推理和提高注釋過程速度的關鍵，它對于保險領域的NLP也是至關重要的。

規范化概念意味著在相同的標簽語言元素下分組，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自然災害的保險單。

在這種情況下，不同的子限制將應用于不同的洪水區。洪水風險最高的地區一般被稱為“高風險洪水區”。這個概念可以表示為：

（1）一級洪水區

（2）洪水風險區(SFHA)

（3）洪水區A

等等

事實上，任何保險承保范圍都可以有很多術語，這些術語可以組合在一起，根據特定的地理區域及其固有風險，最重要的自然災害承保范圍甚至有兩層或三層的區別（I、II和III）。

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

新型的語言聚類：混合方法

解決復雜自然語言處理（NLP）任務的更好方法是基于混合（機器學習/符號）技術，該技術通過基于機器學習的微語言聚類改進保險工作流程的結果和生命周期，然后由符號引擎繼承。

雖說在無監督學習方法中使用傳統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。使用預定義的規范化值，通過在標記數據上訓練的機器學習算法在粒度級別上建立微語言聚類。一旦推斷出微語言聚類，它就可以用于進一步的機器學習活動或用于基于符號層驅動推理邏輯的混合管道。

這符合傳統的編程黃金法則：“分解問題”。解決復雜用例（就像保險領域中的大多數用例一樣）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，可擴展性怎樣？

符號引擎一般被標記為極其精確但不可擴展，因為在處理訓練階段未見的情況時，它們不具備機器學習的靈活性。

然則，這種類型的語言聚類通過運用機器學習來識別概念，進而解決這個問題，這些概念隨后被傳遞到管道中接下來的符號引擎的復雜和精確邏輯。

可能性是無窮無盡的：比如，符號步驟可以根據概念所屬的文檔段改變機器學習識別的內在價值。

下面是一個使用“分段”（將文本分割成相關區域）的符號過程來了解怎樣使用機器學習模塊傳遞的標簽的示例。

想象一下，模型需要理解是否某些保險范圍被排除在100頁保單之外。

機器學習引擎將首先將“藝術”（Arts）覆蓋范圍的所有可能變體聚集在一起：

“精美藝術”（Fine Arts）

“藝術作品”（Workof Arts）

“藝術品”（Artistic Items）

“珠寶”（Jewelry）

等等。

緊接著，管道的符號部分將檢查“排除”部分是否提到了“藝術”（Arts）標簽，進而了解該保險是否被排除在保單之外，亦或是否被覆蓋（作為次級限額清單的一部分）。

考慮到這一點，機器學習注釋者無須擔心根據“藝術”（Arts）變體在策略中的位置為所有“美術”變體指定不同的標簽：他們只需要為其變體注釋“藝術”（Arts）的規范化值，這將作為一個微語言集群。

復雜任務的另一個有用示例是數據聚合。假如混合引擎意在提取特定覆蓋范圍的子限制，以及覆蓋規范化問題，則需要處理額外的復雜層：用于聚合的語言項目的順序。

考慮一下，手頭的任務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）。這三個項目可以按幾個不同的順序排列：

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

在聚合數據的同時運用所有這些排列可以明顯增加機器學習模型的復雜性。另一方面，混合方法將讓機器學習模型識別歸一化標簽，然后讓符號推理根據來自機器學習部分的輸入數據識別正確的順序。

這只是兩個例子，表明可以在可擴展的機器學習算法之上應用無限數量的復雜符號邏輯和推理，以識別規范化的概念。

更易于構建和維護的可擴展的工作流程

除了可擴展性之外，符號推理還為整個項目工作流程帶來了其他好處：

無需為復雜任務實施不同的機器學習工作流，需要實施和維護不同的標簽。另外，重新訓練單個機器學習模型比重新訓練多個模型更快，并且資源消耗更少。

考慮到業務邏輯的復雜部分是以符號方式處理的，故此對數據注釋者來說，將人工注釋添加到機器學習管道要容易得多。

考慮到上述相同的原因，測試人員也更容易直接為機器學習標準化過程提供反饋。另外，考慮到工作流的機器學習部分對語言元素進行了規范化，用戶將有一個較小的標簽列表來標記文檔。

符號規則不需要常常更新：常常更新的是機器學習部分，它也可以從用戶的反饋中受益。

結語

保險領域復雜項目中的機器學習可能會受到影響，因為推理邏輯很難壓縮為簡單的標簽；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際含義。

在純粹的機器學習工作流程中，邏輯越復雜，一般需要越多的訓練文檔來實現生產級準確度 。

出于這個原因，機器學習需要數千（甚至數萬）個預先標記的文檔來構建有效的模型。

采用混合方法可以降低復雜性：機器學習和用戶的注釋建立語言集群/標簽，然后這些將用作符號引擎實現其目標的起點或構建塊。

用戶的反饋一旦得到驗證，就可用于重新訓練模型，而無需更改最精細的部分（可由工作流的符號部分進行處理）。