微软研究院在IJCAI2016的教程中分享了他们如何将深度学习与深度神经网络应用于不同场景的研究成果。以下是该教程的核心内容概述：

首先，介绍了深度学习在统计机器翻译和对话系统中的应用。接着探讨了自然语言处理任务中连续表达的重要性。最后，讨论了自然语言理解和连续词语表达的相关技术。

自然语言理解旨在构建能够与人类进行自然语言交互的智能系统。这一领域面临的主要挑战包括文本意义表达和有用推理任务的支持。

连续词语表达涵盖了多种创建词语向量的方法，包括编码条件共存信息和衡量语义相似度。这些方法使得原始文本可以转换成连续的语义空间，从而更好地捕捉词语之间的关系。

语义嵌入的有效性主要体现在词汇语义相似度和文本简单语义表达两个方面。为了提升模型性能，研究人员对神经网络模型进行了预训练。

在词语嵌入模型的样本、评估和相关工作中，包括了潜在语义分析、递归神经网络语义模型和词向量模型等。这些模型各有特点，例如GloVe模型通过词语共现次数来衡量语义相似度。

评估方法包括语义词相似度和关系相似度。语义词相似度评估主要通过人类判断来进行，而关系相似度则通过计算词语之间的余弦值来衡量。这些评估方法揭示了独立语义嵌入模型可能存在的局限性。

此外，还讨论了一些相关工作，如模拟不同词汇关系和词汇嵌入模型。这些工作有助于提升自然语言处理技术的性能。

在知识库方面，通过存储大量实体及其关系来捕捉世界知识。知识库在自然语言处理和信息检索中有许多实际应用，如回答问题、信息提取和网络搜索。知识库嵌入则是通过向量表示每个实体，来预测实体间的关系是否正确。这种方法在知识库表示和嵌入方面取得了显著进展。

最后，教程还探讨了知识库嵌入的关键技术，如张量分解和神经网络方法。这些技术提高了知识库嵌入的效率和准确性。此外，还讨论了神经网络在问题回答和机器理解中的应用，以及自然语言理解面临的挑战和未来的发展方向。

总结来说，自然语言理解的重点在于构建能够与人类进行自然语言交互的智能系统。这不仅需要连续词语表达和词汇语义学，还需要知识基础嵌入和基于知识基础的问题回答及机器理解。