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

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：

1. 致 毕业 和 尚未 毕业 的 同学
2. 致 毕业 和尚 未 毕业 的 同学

推荐：

1. 校友 和 老师 给 尚未 毕业 同学 的 一 封 信
2. 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：

1. 网页：天使爱美丽 土豆 高清视频
2. 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：

1. 房间还可以
2. 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, .. )