NLP入门与核心任务-优快云博客

作为一个小白，在接触NLP（Nature Language Process，自然语言处理）之前，完全不清楚这个领域究竟是干什么的。首先，Nature我懂，Language我也懂，但是Nature Language是什么就不懂了。那么了解这个领域的首要任务就变成了搞清楚Nature Language到底指什么。

“自然”嘛，那就是自然进化形成的，不能是人造的，自然进化形成的语言那就是人类的语言呗，毕竟是伴随着人类的进化过程不断进化，慢慢形成了今天的语言体系。要处理这些数据，而且还形成的一个研究领域，不得不感慨自然语言中包含了多少有用信息。

知道了要处理的是什么，接下来就是怎么处理。自然语言不像报表类的数据，统计、计算、出结果、看规律，一套流程，行云流水。那么人类的语言究竟怎么才能被计算机理解呢？从中又能挖掘出哪些有用的信息？NLP要解决的就是这些问题。简单来说，NLP就是研究用计算机来处理、理解以及运用人类语言(如中文、英文等)，达到人与计算机之间进行有效通讯，这么看来，似乎NLP让机器理解人类又近了一步。

NLP的四大任务

NLP作为一个专门的研究领域，那么它自然已经形成了一套完整的系统。NLP要完成的任务基本上可以分为四大类：

NLP任务的输入往往是一句话或者一篇文章，它们具有以下特点：

输入是个一维线性序列；

输入是不定长的，这点其实对于模型处理起来也会增加一些小麻烦，有时候会采用补齐和切断的方式让输入定长；

单词或者子句的相对位置关系很重要，两个单词位置互换可能导致完全不同的意思。

序列标注任务通常是句子级的任务。序列标注是NLP领域中最常见的任务，绝大多数NLP问题都可以转化为序列标注问题。它要做的就是给语料标注出对应的标签。

一、分词

其中分词任务是在处理中文数据时经常要用到的一个处理过程，因为中文和英文的一个重要区别在于，英文的单词是用空格分隔的，但是中文的每个词都是连在一起的，为了获取每个词的信息，就需要对中文数据进行分词，像英文那样把每个词用空格分隔开。

比如拿到一句话：“今天的天气真不错”，序列标注的任务就是给每个汉字打上一个标签，对于分词任务来说，可以定义标签集合为（jieba分词中的标签集合也是这样的）：

Labels={B, M, E, S}

其中B表示一个词的开始字符，M表示一个词的中间字符，E代表一个词的结束字符，S代表单字组成的词。

有了这四个标签就可以对中文进行分词了。中文分词也就转换为对汉字的序列标注问题，假设已经训练好了序列标注模型，那么分别给每个汉字打上标签集合中的某个标签就可以了。但是这种形式不方便人来查看，所以可以增加一个后处理步骤，把B和E标签之间的词拼在一起，这样就分出了一个单词，而打上S标签的汉字可以看做是一个单字词。

Labels = {BA, MA, EA, BO, MO, EO, BP, MP, EP, O}

其中，BA表示地址的首字，MA表示地址的中间字，EA表示地址的尾字；BO表示机构名的首字，MO表示机构名称的中间字，EO表示机构名的尾字；BP表示人名首字，MP表示人名中间字，EP表示人名尾字，而O代表其他字。
在这里插入图片描述

二、分类任务：文本分类、情感计算

分类任务是NLP领域最经典的使用场景之一，分类就是给每个句子一个标签，这个标签一般情况下也是属于定义的标签集合的，情感计算也是一种文本分类，它对应的标签集合是情感，如{积极情感、消极情感、中立情感}或{喜、怒、爱、哀、惧、惊}等。

完成分类任务的方法包括传统的机器学习方法，比如：TF-IDF文本分类。

还有基于深度学习的方法，例如：Facebook开源的FastText文本分类，Text-CNN 文本分类，Text-CNN 文本分类，还有经典的LSTM-CRF方法等。

使用深度学习的方法进行分类时，首先都需要用标注好的数据训练一个分类器。
在这里插入图片描述
然后给一个新的句子序列，输入到训练好的分类器中，就会输出这个句子对应的类别，当然分类的结果不一定正确，效果的好坏要看训练的分类器的准确率，而且不同的分类器适用的语料不同，分类器的选择和训练也是大有文章。
在这里插入图片描述