nlp自然语言处理还有前景么，自然语言处理常见任务分析

nlp自然语言处理还有前景么，自然语言处理常见任务分析1. http://speech.ee.ntu.edu.tw/~tlkagk/courses/DLHLP20/TaskShort (v9).pdf综上，我们简要的过了一遍常见的 NLP Tasks，其中一部分可以使用 BERT 和它的后继来解决，甚至超越人类，但是仍有一部分，如任务型对话中的 NLG，还不能完全用模型替代，NLP 的未来还大有可为。借助语音技术，工业界中的"智能外呼"就是使用下图类似的技术。ASR 用来语音识别，TTS 用来语音生成。主要使用了实体识别和关系提取的技术。GLUE 在 BERT 出现后，上面的任务模型已经逼近了人类水平，因而有了 SUPER GLUE 和 DecaNLP，让模型挑战更难的任务。

NLP Tasks 繁殖一般有如上六种情况，本文主要集中在后两种，文本 → 文本和文本 → 类别。

我们知道了 NLP 中常用任务的处理架构，我们才能更好的使用我们的模型，无论是 BERT、ELECTRA 还是 GCN，我们最终都是要使用在某一任务上，所以弄懂各种 Task 的基本处理架构，可以帮助我们更好的落地这些模型。

Part-of-Speech（POS）Tagging —— 词性标注

Word Segmentation —— 分词

Y 代表词的边界，三个 Y 代表有三个词，中文中常使用这种技术。

Parsing（句法解析）

Coreference Resolution（指代消解）

Summarization（摘要）

Machine Translation（机器翻译）

Grammar Error Correction（纠错）

Sentiment Classification（情感分析）

Stance Detection（立场侦测）

Veracity Prediction（事实侦测）

Natural Language Inference（NLI）

Search Engine（搜索引擎）

Question Answering（QA）

Dialogue（对话）Chatting（闲聊）

Task-orientated（任务型）

Natural Language Generation（NLG）

Policy & State Tracker

Model 需要细分，直接端到端，目前业界的效果还不好。

Natural Language Understanding（NLU）

ASR & TTS

借助语音技术，工业界中的"智能外呼"就是使用下图类似的技术。ASR 用来语音识别，TTS 用来语音生成。

Knowledge Graph（知识图谱）

主要使用了实体识别和关系提取的技术。

General Language Understanding Evaluation (GLUE)

GLUE 在 BERT 出现后，上面的任务模型已经逼近了人类水平，因而有了 SUPER GLUE 和 DecaNLP，让模型挑战更难的任务。

综上，我们简要的过了一遍常见的 NLP Tasks，其中一部分可以使用 BERT 和它的后继来解决，甚至超越人类，但是仍有一部分，如任务型对话中的 NLG，还不能完全用模型替代，NLP 的未来还大有可为。

参考

1. http://speech.ee.ntu.edu.tw/~tlkagk/courses/DLHLP20/TaskShort (v9).pdf

2. 【李宏毅老师】Overview of NLP Tasks_哔哩哔哩 (゜-゜)つロ 干杯~-bilibili