自然语言处理
NLP在做些什么
NLP指代广泛的工具，例如语音识别，自然语言识别和自然语言生成。然而，NLP最常见的任务是历史性的。标记化，解析，信息提取，相似性，语音识别自然语言和语音生成等等。现实生活中，NLP用于文本摘要，情感分析，主题提取，命名实体识别，词性标注，关系提取，词干提取，文本挖掘，机器翻译，自动问答，本体人口，语言建模和我们可以想到的所有与语言相关的任务。
NLP技术
NLP的两个支柱是句法分析和语义分析。总之，NLP依靠机器学习通过分析文本语义和语法从人类语言中获得意义。
自然语言理解
虽然NLP可以追溯到20世纪50年代，当计算机程序员开始尝试简单的语言输入时，NLU在20世纪60年代开始开发，希望让计算机能够理解更复杂的语言输入。被认为是NLP的一个子主题，自然语言的目的较窄，主要侧重于机器阅读理解。让计算机理解文本的真正含义。NLU实际上做了什么。与NLP类似，NLU使用算法将人类语音降低为结构化本体。然后AI算法检测意图，时间，位置和情绪等事物。但是，当我们查看NLU任务时，我们会惊讶地发现多少NLP建立在这个概念之上。
自然语言理解是许多过程的第一步，例如分类文本，收集新闻，归档单个文本，以及更大规模地分析内容。NLU的实际例子包括从基于理解文本发布短命令到小程度的小任务，例如基于基本语法和适当大小的词典将电子邮件重新路由到合适的人。更为复杂的努力可能是完全理解诗歌或小说中的新闻文章或意义阴影。总而言之，最好将NLU视为实现NLP的第一步。在机器处理语言之前，必须首先理解它。
NLP和NLU如何相关
从其任务可以看出，NLU是自然语言处理的组成部分，它是负责人类理解某个文本所呈现的含义的部分。与NLP最大的区别之一是NLU超越了解单词，因为它试图解释处理常见人为错误的意义，如错误发音或转置字母或单词。推动NLP的假设是Noam Chomsky在1957年的“句法结构”中所设定的假设。“语言L的语言分析的基本目标是将作为L的句子的语法序列与不是L的句子的非语法序列分开，并研究语法序列的结构。“语法分析确实用于多个任务，通过将语法规则应用于一组单词并通过多种技术从中获得意义来评估语言如何与语法规则保持一致。词形还原。将单词的变形形式简化为单一形式，以便于分析。词干。将变形的词语切割成它们的根形式。形态分割。将单词划分为语素。分词。将连续文本划分为不同的单元。解析。句子的语法分析。词性标注。识别每个单词的词性。句子破裂。将句子边界放在连续文本上。但是，语法正确性或不正确性并不总是与短语的有效性相关。想想一个无意义而又语法化的句子“无色的绿色思想疯狂地睡着”的经典例子。更重要的是，在现实生活中，有意义的句子通常包含轻微的错误，并且可以被归类为不合语法的。人工交互允许产生的文本和语音中的错误通过优秀的模式识别和从上下文中绘制附加信息来补偿它们。这显示了以语法为中心的分析的不平衡性以及需要更加关注多级语义。语义分析是NLU的核心，涉及应用计算机算法来理解单词的含义和解释，尚未完全解决。以下是语义分析中的一些技巧，仅举几例。命名实体识别（NER）。确定可以识别并分类为预设组的文本部分。词义消歧。根据上下文赋予单词意义。自然语言生成。使用数据库来导出语义意图并将其转换为人类语言。然而，为了完全理解自然语言，机器不仅需要考虑语义提供的字面意义，还需要考虑预期的信息，或理解文本试图实现的内容。这个级别称为语用分析，它刚刚开始引入NLU / NLP技术。目前，我们可以在一定程度上看到情绪分析。评估案文中包含的消极/积极/中立感受。
NLP的未来
追求创建一个能够以人类方式与人类互动的聊天机器人的目标 - 并最终通过图灵的测试，企业和学术界正在投入更多的NLP和NLU技术。他们想到的产品旨在轻松，无人监督，并能够以适当和成功的方式直接与人们互动。为实现这一目标，该研究分三个层次进行。语法 - 理解文本的语法语义 - 理解文本的字面意义语用学 - 理解文本试图实现的内容不幸的是，理解和处理自然语言并不像提供足够大的词汇和训练你的那么简单机器就可以了。要取得成功，NLP必须融合各种领域的技术。语言，语言学，认知科学，数据科学，计算机科学等。只有结合所有可能的观点，我们才能揭开人类语言的神秘面纱。