自然语言处理相关问题研究论文

已经有 NLP( 我们可能地是目前在比较乐观的时期中) 的领域乐观主义和悲观的周期；虽然一些非常真正的进步已经被做，但是一般的 NLP 系统的目标保持难懂。历史地, 计算机科学家时常是甚远地太结束- 乐观的有关 NLP 的事,或许为被记录在上面的一些理由。 完全地从着手是清楚的是如此重要工作为什么很困难。 它是也重要的在自然语言之间有不同。 较多的工作或许已经在英国人上被做比较在任何其他的语言上,因为美国研究员的重要主要地, 虽然有欧洲和日本的非常活跃的工人。 然而，英国人是在一些方法中一种不典型的语言,如同它使用很少的屈曲而且很重地仰赖字次序一样。 教科书和很少地以英国语写成的其他介绍的来源为和显着不同文法的结构语言包含 NLP 的适当讨论。 我们能在处理 NL 方面至少区别三清楚的 '水平': 声音文法意义每个可能被区分为二或较多的次水平,在这里不需要与我们有关。 我在这做简短的介绍要在处理每个水平方面举例说明一些问题的。 考虑这三个字, 被来自英国的南方一位自然的英国语说者讲: 输入，吸入，收入。 很清楚地 , 所有的三个字包含元素在由于相同的意义。到输入要把某物放入；水泵的吸入是水被拿的地方在;你的收入是你赚得的钱,也就是 那进来。 元素是在发音吗相同的在所有的三个字中?(藉着被叙述的说者) 小心的听将会它不是。 字输入是显着的好像 spelt imput, 然而吸入是发音如 spelt。 如果我们用英国语通常让 N 代表声音 spelt ng(举例来说 在字同类中唱或歌手), 然后收入是因为摊派的款项英国人的许多说者不这样举止；当它是 spelt 的时候 , 改为他们一致地宣告所有的三个字的第一种元素 , 所以我叙述了来自英国的南方自然的英文说者,也就是 同样地在.( 当可能之时所有的英文说者当慢慢地而且强调地的时候) 有趣地，英文的说者是通常相当不知道的这些不同,在他们自己的演讲和其它的演讲都。这是不因为他们不能够区别三声音 m, 古怪的 n 和 N. 三个字, 跑，而且脚蹬横木只在这三种声音中和相当不一致对所有的自然英文的说者是清楚的。

如果方向太新还没有相关综述，一般还可以查找该方向发表的最新论文，阅读它们的“相关工作”章节，顺着列出的参考文献，就基本能够了解相关研究脉络了。当然，还有很多其他办法，例如去上看著名学者在各大学术会议或暑期学校上做的tutorial报告，去直接咨询这个领域的研究者，等等。

有乐观和悲观的周期在领域的NLP (我们当前可能到在一个更加乐观的阶段之内); 虽然一些非常真正的前进被做了，一个一般NLP系统的目标依然是逃避。 历史上，计算机学家经常是远太过于乐观关于NLP，大概着名的某些的原因以上。 是确切正确地从外边因而是重要的任务为什么是困难的。 It也是重要注意到，有自然语言之间的区别。 由于美国研究员的重要性更多工作在英语大概被完成了比在其他语言，主要，虽然有非常活跃工作者在欧洲和日本。 然而，因为它使用少量变化并且沉重依靠词序，英语在一些方面是一种非典型语言。 用英语和其他介绍来源写的课本很少包含关于语言的NLP的充分讨论与明显不同的语法结构。 We可能区别至少三个分明‘水平’在处理NL ： Sounds Grammar Meaning Each可以被划分成两个或多个分段，不需要有关我们这里。 什么我在这简要的介绍想要做是说明某些在处理每个水平的问题。 Consider这三个词，讲话由从英国的南部的一个当地讲英语者： 输入，入口，收入。 是确切全部三个词包含元素与同一个意思。 要输入是投入某事; 水泵的入口是水被采取的地方; 您的收入是您赢得，即进来的金钱。 Is元素在发音了同样在所有三个词(由指定的报告人) ？ 仔细听表示，它不是。 词输入是显著的，好象被拼写的imput，而入口发音如被拼写。 如果我们让声音通常被拼写的ng的N立场用英语(即在词象唱歌或歌手)，则收入是 因为苏格兰语英语许多报告人这样，不表现I指定了从英国的南部的当地讲英语者; 反而他们一贯地发音所有三个词的第一个元素，当它被拼写，即作为(象可以所有讲英语者，当慢慢地和强调地讲话)时。 Interestingly，讲英语者对这些区别通常是相当未察觉的，在他们自己的讲话和其他的讲话上。 这不是，因为他们不可能区别在三声音m、n和N.之间。 三个词兰姆酒、奔跑和阶在这三声音仅不同并且是相当分明的对所有当地讲英语者。

介绍自然语言处理 一个自然语言' （荷兰）是任何自然语言使用的人，即不是一种人为的或人为的语言，如一种编程语言。 '自然语言处理' （自由党）是一个方便的描述，所有企图利用计算机来处理自然语言。 [ 1 ]的NLP包括： 语音合成：虽然这可能不是乍一看似乎很'聪明' ，合成的自然冠冕堂皇的讲话，是在技术上复杂，几乎肯定需要一些理解，什么是口语，以确保举例来说，正确的语调。 语音识别：基本上是连续减少声波分立的话。 自然语言理解：这里当作从孤立的话（无论是书面或决心通过语音识别）的'意义' 。这可能涉及完整的模型系统或'前端' ，带动其它项目由荷兰命令。 自然语言生成：荷兰创造适当的反应不可预测的投入。 问题补充：这个想法的使用数字电脑的NLP是'旧' ，这可能是因为第一个利用计算机，打破军事守则在第二次世界大战中。一些计算机科学家似乎都认为，俄罗斯（例如）是英语在不同的代码。在这种情况下，因为代码可以被打破，因此可以俄文。这种想法假设有一个共同'的含义基地'的所有自然语言，无论其表面的分歧。压倒一切的共识，语言学家是，这是不正确的。 人工语言处理'的形式，编译器和口译编程语言，是一个关键组成部分，成功的数字化电脑从最早的天。这一成功无疑鼓舞研究的NLP （还鼓励和乐观的态度） 。

认为自然语言现在最大的热点以及难点就是embedding method (distributed representation) . 因为关于discrete representation，大家已经做了至少50年了，可以认为大体比较成熟了。（transducer, ccg, lambda-DCS, pcfg, crf, hmm, etc.）Embedding也曾经以一个helper的身份出现过（LSA），但还没有像这次一样以主角的身份登场。所以虽说embedding是热点，，但在很多问题上embedding+neural network的组合表现相当好，而且明显能感觉出来研究的还很不到位。我很喜欢White pillow的答案，但关注点不同吧，我更感兴趣底层的技术。在问题不变的情况下，现在底层技术正在向embedding转变。所有的问题，大家现在都在尝试用embedding解决，我认为这只是个开始，具体怎样就要看几年后领域的研究成果了。

自然语言处理主要研究如何使计算机能够理解、生成、检索自然语言（包括语音和文本），从而实现人与计算机之间用自然语言进行有效交流。早期的语言处理系统处于一个有限的“积木世界”，运用有限的词汇表会话可以较好地工作，但是当把这个系统拓展到充满模糊与不确定性的现实环境中时，就出现了很多问题，自然语处理有以下几个难点：词语实体边界界定，在自然语言中词与词之间通常是连贯的，而正确划分、界定不同的词语实体是正确理解语言的基础 。这个问题对于汉语尤其突出。界定字词边界通常使用的办法是取用能让给定的上下文最为通顺且在方法上无误的一种最佳组合。然后是词义消歧，词义消歧包括多义词消歧和指代消歧。多义词是自然语言中非常普遍的现象。指代消歧是指正确理解代词所代表的人或事物。例如，在复杂交谈环境中，“他”、“it"到底指代谁。词义消歧需要对文本上下文、交谈环境和背景信息等有正确的理解。再一个是方法的模糊性，自然语言方法常常会出现模棱两可的句子，即一个句子可能会解析出多棵语法树。最后语言行为与计划，一个句子常常不只是字面上的意思而人类往往更注意其潜在的含义。自然语言处理研究内容主要包括语音识别、语音合成、文本朗读、机器翻译等，尤其是语音合成，已经取得了一定成就，不过，也要知道，智能语音合成的发展，同时也促进了人工智能的进步！ - 人工智能 多智时代。