引言

一、自然语言处理基础任务

  自然语言处理中包含以下基础任务：

• 分词-word segmentation
  Jieba分词
  SnowNLP
  LTP
  HanNLP

• 词性标注-POS
    句子中的每个单词被分类为一种词性，如动词，名词等，词性标注的过程依赖当前单词以及上下文信息，词性标注问题即序列标注问题。序列标注问题可以当做分类问题，一方面，可以对于当前单词以及上下文单词(sliding window)提取特征，并用这些特征做分类；另一方面，利用序列模型考虑单词之间前后的依赖关系来做预测，常见的序列模型算法有：HMM，CRF，RNN，LSTM，Transformer
    词性标注是自然语言最基础的任务，可以认为是Solved Problem（已经解决的问题），很多时候，可以作为上游任务的特征。

• 命名实体识别-NER
    命名实体识别类似于词性标注，命名实体识别的结果一般如下：

  张三/PER 的 家 住 在 北京/LOC

  不管是做文本摘要，还是问答系统、对话系统任务，又或者是文本分类任务，实体对任务会产生非常重要的影响。

• 句法分析-Syntatic Analysis
    句法分析就是对一个句子的词语句法做分词，比如主谓宾。句法分析的结果是一棵树。这个在工业界用的地方不多。与之类似的依存文法分析（Dependency Parsing）用的地方比较多。在短文本分类中，如何准确的把控短文本的含义呢？针对这个场景，我们要做的是在各个维度来分析短文本

• 语义分析-Semantic Analysis
  语义理解涉及两个问题：

  1、 如何理解一个单词的意思？（理解某个单词在某句话中的意思）
  2、如何理解一个文本的意思？（理解整句话的意思）
  主要技术有：SkipGram，CBOW，Glove，ELMo，BERT，ALBERT，XLNet，GPT-2，GPT-3，Tiny-BERT

二、自然语言处理应用

1. 写作助手（拼写纠错）
2. 文本分类
   情感分析：将情感分为正面反面
   情绪分析：判断一个是否处于高兴、兴奋等状态
   主题分类：比如：将新闻类型进行分类
3. 信息检索（information retrieval）
   信息检索基础架构为：

   1. 检索Query
   2. 文本处理
   3. 在数据库中搜索
   4. 返回排序前多少的结果

4. 问答系统
   问答系统的目的是直接提供用户的答案。
   问答系统和检索系统的区别：检索系统返回相关结果，问答系统则直接返回答案。
   问答系统需要更多语义方面的理解。
5. 自动生成文本摘要
   自动生成文本摘要是一个生成任务。具体任务：给予一个很长的文本，对这些文本进行简化。自动生成文本摘要有两种方法：一种方法是Extractive Method，它是在原始文本中国，抽取几句话来生成摘要，对原始文本不进行改变。另一种方法是Abstractive Method，其过程为：对原始文本进行理解，再将理解到的含义转化为文本。
6. 机器翻译
   机器翻译有三种方法：一种是Rule-based Method，另一种是Statistical Method，基于统计的语言模型，最后一种是生成式的方式。
7. 信息抽取

如果对您有帮助，麻烦点赞关注，这真的对我很重要！！！如果需要互关，请评论或者私信！