上下文，即语境、语意，是语言学科（语言学、社会语言学、篇章分析、语用学、符号学等）的概念。
简介
语境是语言学科（
语言学、社会语言学、篇章分析、语用学、
符号学等）的概念。
语境概念最早由人类学家
马林诺夫斯基所提出，分为情景语境和文化语境。也可以区分成语言性语境和社会性语境。 语境（语言的文化背景、情绪景象、时空环境等）的介入，一方面使多义的语言符号趋向单义，另一方面又使语言符号节外生枝，增生出语境意义。语境意义甚至可以掩盖语言符号自身具有的意义而成为交际的主信息。语境也控制着交际者对语言符号的选用。我们这里所谓的语境意义，是指在语境中，语言符号实际具有的涵义，包括赋予义和解释义。
汉语中，“上下文”一词的出处，最早可追溯到唐代贾公彦《周礼义疏·秋官》。
《周礼·秋官》“原文:“若国札丧 ,则令赙补之 ;若国凶荒 ,则令委之 ;若国师役 ,则令槁之 ;若国有福事 ,则令庆贺之 ;若国有祸灾 ,则令哀吊之。凡此五物者 ,治其事故。贾公彦 [义疏 :此一“经” ,据上下文皆据诸侯国 ;此文虽单言“国”亦据诸侯而言。]
贾疏是说 :“小行人职”一“经” ,根据上下文 ,皆是以诸侯国为据而言 ;这段文字中虽单说一个“国”字 ,也是指诸侯国 ,“令”的对象是诸侯。这样看来 ,贾疏所用“上下文”一词 , 已经具有语境的的含义。
语意分析
语意分析（semantic analysis）技术系指将一长串的文字或内容，从其中分析出该个段落的摘要以及大意，甚至更进一步，将整篇文章的文意整理出来。此项技术可以应用在解读影片、音讯等档案，使得搜索引擎能够搜寻到文字以外的物件，方便使用者省去大量时间观看影片、聆听音讯，同时也可以帮助使用者提前了解影片与音讯的内容。
语意分析技术在早期基于
奇异值分解（Singular Value Decompositiob, SVD）、非负矩阵拆解法（Non-negative matrix factorization,NMF）等方式，近年来则有用各种型态的类神经网络（Neural Network, NN）来完成语意分析的目的。
实作方式
奇异值分解
在线性代数的领域里，奇异值分解（SVD）将一个大的矩阵拆解成三个小的矩阵。
正常的情况下，将奇异值分解（Singular Value Decompositiob, SVD）套用在一个m×n复数矩阵'M，可以矩阵M表示为M=UΣV，其中U是m×m复数幺正矩阵（unitary matrix），而Σ则是一个m×n的对角矩阵（diagonal matrix)，而在对角线上的所有直接为非负的值,V（共轭转置矩阵（conjugate transpose matrix）V,倘若所有元素皆为实数，则可视为V的转置矩阵'）则是一个n×n复数幺正矩阵。在对角矩阵中，Σi,iofΣ便是所谓的M的奇异值（singular value）。而U的m栏则被称做是M的左奇异向量（left-singular vectors），V的n栏则被称做是M的右奇异向量（right-singular vectors）。
奇异值分解与特征分解（eigendecomposition）实现息息相关，具体如下：
透过SVD便可以将一个矩阵拆解成R（非负奇异值之数量）种不同的矩阵，每一种矩阵分别代表一种主题（topic），而相对应的奇异值越大则代表此种主题与原本的矩阵所代表的主题较为相关，越小则越非相关，由此我们可以得到简单的语意分析。
非负矩阵拆解法
由于透过奇异值分解（Singular Value Decompositiob, SVD） 存在一些缺点，因此使用非负矩阵拆解法（Non-negative matrix factorization,NMF）来得到更好的效果，首先，由于奇异值分解（Singular Value Decompositiob, SVD）所得到的左奇异向量（left-singular vectors）与右奇异向量（right-singular vectors）并无法保证皆为非负之数值，因此在衡量相关性上，负数可能并没有直观的物理意义。同时透过奇异值分解（Singular Value Decompositiob, SVD） 所产生的三个矩阵，在选择过滤掉一些较小的奇异值后，在重新组合回来，会直接失去这些资讯，太过于武断、直接的拆解方式，可能会导致部分讯息也因此而被移除了。因此使用非负矩阵拆解法（Non-negative matrix factorization,NMF）便能解决上述两个问题。非负矩阵拆解法（Non-negative matrix factorization,NMF）将m×n的原始矩阵V拆解为m×d的W与d×n的H，其中的d便为给定的数值。与奇异值分解（Singular Value Decompositiob, SVD）的差别在于，非负矩阵拆解法（Non-negative matrix factorization,NMF）可以自订分类的多寡，而将整个矩阵完整的分配到d种主题之中（topic），不若前者，若要取得d种主题，便会直接选取前d大的奇异值，将矩阵还原回来。而是将其妥善分配至各个主题中，使得最后的结果较为完整。
类神经网络
类神经网络系以一张有方向性的图论模拟人类神经细胞之间的沟通关系。人类神经细胞从输入到输出，主要有三个部分，第一个部分为树突，乃神经接受另一神经之讯号的所在之处，而神经本体则综合输入讯号之后产生一个输出讯号，透过轴突将讯号往外传出。这样的架构，可以透过矩阵的建置来模拟出神经连结的情形。同时，透过建置矩阵模拟各个神经结之间相连的关系，透过给订的输入与输出作为测资，不断的优化各个节点之间的关系，直到输入与输出能够互相吻合，达到此目标的类
神经网络模型便可作为一个语意分析器，只要输入待测的资料，便可以得到一个系统分析之后预测的结果。相较于前述两种方法，类神经网络（Neural Network, NN）通常都可以得到较佳的结果。相关的理论自1980年便已经被提出，不过直至2010年后，硬件运算速度才足以在使用者可接受的时间内，产生出一个完整的结果，才使得类神经网络（Neural Network, NN）开始蓬勃发展，同时也逐渐有些成果开花结果。
自动编码器
自动编码器（Autoencoder）为类神经网络（Neural Network, NN）的其中一种应用，目标在将大量的资量压缩、分配至较小维度的向量之中。一般的类神经网络（Neural Network, NN）需要确切的输出与输入才能建立出完整的类神经网络（Neural Network, NN），因此常需要花大量的成本在建立足够量的训练用测资，而自动编码器（Autoencoder）在训练用测资的要求简单的许多，由于其目标之特性是将大量的资量压缩、分配至较小维度的向量，其输入与输出可以使用同一份资料，而在隐藏层（hidden layers）中，一层接着一层，逐渐缩小每个隐藏层（hidden layers）的层级数，直到需要的d种分类后，在逐渐扩展每个隐藏层（hidden layers）的维度，直到最后输出与原本训练用测资的维度。当经过足够次数的循环后，必可以得到一个模型，使得输入资料与输出资料差异不大，此时，只要将前半段，输入端至d维的隐藏层（hidden layers）切开并独立出来，这份模型便可以作为语意分析器。
应用
有鉴于社群平台的兴盛，影片、声音等多媒体资讯逐渐成为网络上常见的档案形式，如何用低成本的方式解读其中所拥有的资讯在未来会是一个日益重要的议题。传统上，若要能够提前理解一段声音中所拥有的资讯，往往需要使用高成本人力事先解读整段音讯后，在将其所见所闻转换为文字档，在影片、声音等多媒体资讯日益兴盛的现代，如此高成本的建置方式早已不敷使用。因此语意分析绝对有其必要性。
而在人机界面上，装置能够解读人类的讯息，并做出相对应的决策，亦可以增加人机之间沟通的效率。