自然语言处理 - 1.入门介绍
- 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。
致毕业和尚未毕业的同学致毕业和尚未毕业的同学
其他案例:
- 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
其他案例:
- 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
- 房间里: 主语
- 还可以: 情态动词
- 欣赏: 动词
- 日出: 宾语
歧义:
- 房间还可以
- 可以欣赏日出
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, .. )
案例6(篇章分析)
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
例如:
案例7(机器翻译)
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
- 参考百度科普课程: http://bit.baidu.com/product
