我的书签
添加书签
移除书签自然语言处理介绍
- 语言是知识和思维的载体
- 自然语言处理 (Natural Language Processing, NLP) 是计算机科学，人工智能，语言学关注计算机和人类（自然）语言之间的相互作用的领域。
NLP相关的技术
| 中文 | 英文 | 描述 |
|---|---|---|
| 分词 | Word Segmentation | 将连续的自然语言文本，切分成具有语义合理性和完整性的词汇序列 |
| 命名实体识别 | Named Entity Recognition | 识别自然语言文本中具有特定意义的实体（人、地、机构、时间、作品等） |
| 词性标注 | Part-Speech Tagging | 为自然语言文本中的每个词汇赋予一个词性（名词、动词、形容词等） |
| 依存句法分析 | Dependency Parsing | 自动分析句子中的句法成分（主语、谓语、宾语、定语、状语和补语等成分） |
| 词向量与语义相似度 | Word Embedding & Semantic Similarity | 依托全网海量数据和深度神经网络技术，实现了对词汇的向量化表示，并据此实现了词汇的语义相似度计算 |
| 文本语义相似度 | Text Semantic Similarity | 依托全网海量数据和深度神经网络技术，实现文本间的语义相似度计算的能力 |
| 篇章分析 | Document Analysis | 分析篇章级文本的内在结构，进而分析文本情感倾向，提取评论性观点，并生成反映文本关键信息的标签与摘要 |
| 机器翻译技术 | Machine Translating | 基于互联网大数据，融合深度神经网络、统计、规则多种翻译方法，帮助用户跨越语言鸿沟，与世界自由沟通 |
场景案例
案例1（解决交叉歧义）
分词（Word Segmentation） ：将连续的自然语言文本，切分成具有语义合理性和完整性的词汇序列
例句：致毕业和尚未毕业的同学。
分词：
致毕业和尚未毕业的同学致毕业和尚未毕业的同学
推荐：
- 校友 和 老师 给 尚未 毕业 同学 的 一 封 信
- 本科 未 毕业 可以 当 和尚 吗
案例2（从粒度整合未登录体词）
命名实体识别（Named Entity Recognition）：识别自然语言文本中具有特定意义的实体（人、地、机构、时间、作品等）
例句：天使爱美丽在线观看
分词：天使 爱 美丽 在线 观看
实体： 天使爱美丽 -> 电影
推荐：
- 网页：天使爱美丽 土豆 高清视频
- 网页：在线直播爱美丽的天使
案例3（结构歧义问题）
词性标注（Part-Speech Tagging）： 为自然语言文本中的每个词汇赋予一个词性（名词、动词、形容词等）
依存句法分析（Dependency Parsing）：自动分析句子中的句法成分（主语、谓语、宾语、定语、状语和补语等成分）
评论：房间里还可以欣赏日出
歧义：
- 房间还可以
- 可以欣赏日出
词性：（？？？）
房间里：主语
还可以：谓语
欣赏日出： 动宾短语
案例4（词汇语言相似度）
词向量与语义相似度（Word Embedding & Semantic Similarity）：对词汇进行向量化表示，并据此实现词汇的语义相似度计算。
例如：西瓜 与 （呆瓜/草莓），哪个更接近？
向量化表示： 西瓜(0.1222, 0.22333, .. )
相似度计算： 呆瓜（0.115） 草莓（0.325）
向量化表示：(-0.333, 0.1223 .. ) (0.333， 0.3333, .. )
案例5（文本语义相似度）
文本语义相似度（Text Semantic Similarity）：依托全网海量数据和深度神经网络技术，实现文本间的语义相似度计算的能力
例如：车头如何防止车牌 与 （前牌照怎么装/如何办理北京牌照），哪个更接近？
向量化表示： 车头如何防止车牌(0.1222, 0.22333, .. )
相似度计算： 前牌照怎么装（0.762） 如何办理北京牌照（0.486）
向量化表示： (-0.333, 0.1223 .. ) (0.333， 0.3333, .. )
