導讀：自然語(yǔ)言處理（Natural Language Processing，NLP）技術(shù)是與自然語(yǔ)言的計算機處理有關(guān)的所有技術(shù)的統稱(chēng)，其目的是使計算機能夠理解和接受人類(lèi)用自然語(yǔ)言輸入的指令，完成從一種語(yǔ)言到另一種語(yǔ)言的翻譯功能。

自然語(yǔ)言處理技術(shù)的研究，可以豐富計算機知識處理的研究?jì)热?，推?dòng)人工智能技術(shù)的發(fā)展。

作者：達觀(guān)數據

來(lái)源：華章科技

01 語(yǔ)義分析技術(shù)

自然語(yǔ)言處理技術(shù)的核心為語(yǔ)義分析。語(yǔ)義分析是一種基于自然語(yǔ)言進(jìn)行語(yǔ)義信息分析的方法，不僅進(jìn)行詞法分析和句法分析這類(lèi)語(yǔ)法水平上的分析，而且還涉及單詞、詞組、句子、段落所包含的意義，目的是用句子的語(yǔ)義結構來(lái)表示語(yǔ)言的結構。語(yǔ)義分析技術(shù)具體包括如下幾點(diǎn)。

1. 詞法分析

詞法分析包括詞形分析和詞匯分析兩個(gè)方面。一般來(lái)講，詞形分析主要表現在對單詞的前綴、后綴等進(jìn)行分析，而詞匯分析則表現在對整個(gè)詞匯系統的控制，從而能夠較準確地分析用戶(hù)輸入信息的特征，最終準確地完成搜索過(guò)程。

2. 句法分析

句法分析是對用戶(hù)輸入的自然語(yǔ)言進(jìn)行詞匯短語(yǔ)的分析，目的是識別句子的句法結構，以實(shí)現自動(dòng)句法分析的過(guò)程。

3. 語(yǔ)用分析

語(yǔ)用分析相對于語(yǔ)義分析又增加了對上下文、語(yǔ)言背景、語(yǔ)境等的分析，即從文章的結構中提取出意象、人際關(guān)系等附加信息，是一種更高級的語(yǔ)言學(xué)分析。它將語(yǔ)句中的內容與現實(shí)生活中的細節關(guān)聯(lián)在一起，從而形成動(dòng)態(tài)的表意結構。

4. 語(yǔ)境分析

語(yǔ)境分析主要是指對原查詢(xún)語(yǔ)篇之外的大量“空隙”進(jìn)行分析，以便更準確地解釋所要查詢(xún)語(yǔ)言的技術(shù)。這些“空隙”包括一般的知識、特定領(lǐng)域的知識以及查詢(xún)用戶(hù)的需求等。

5. 自然語(yǔ)言生成

AI驅動(dòng)的引擎能夠根據收集的數據生成描述，通過(guò)遵循將數據中的結果轉換為散文的規則，在人與技術(shù)之間創(chuàng )建無(wú)縫交互的軟件引擎。結構化性能數據可以通過(guò)管道傳輸到自然語(yǔ)言引擎中，以自動(dòng)編寫(xiě)內部和外部的管理報告。

自然語(yǔ)言生成接收結構化表示的語(yǔ)義，以輸出符合語(yǔ)法的、流暢的、與輸入語(yǔ)義一致的自然語(yǔ)言文本。早期大多采用管道模型研究自然語(yǔ)言生成，管道模型根據不同的階段將研究過(guò)程分解為如下三個(gè)子任務(wù)。

• 內容選擇：決定要表達哪些內容。
• 句子規劃：決定篇章及句子的結構，進(jìn)行句子的融合、指代表述等。
• 表層實(shí)現：決定選擇什么樣的詞匯來(lái)實(shí)現一個(gè)句子的表達。

早期基于規則的自然語(yǔ)言生成技術(shù)，在每個(gè)子任務(wù)上均采用了不同的語(yǔ)言學(xué)規則或領(lǐng)域知識，實(shí)現了從輸入語(yǔ)義到輸出文本的轉換。

鑒于基于規則的自然語(yǔ)言生成系統存在的不足之處，近幾年來(lái)，學(xué)者們開(kāi)始了基于數據驅動(dòng)的自然語(yǔ)言生成技術(shù)的研究，從淺層的統計機器學(xué)習模型，到深層的神經(jīng)網(wǎng)絡(luò )模型，對語(yǔ)言生成過(guò)程中每個(gè)子任務(wù)的建模，以及多個(gè)子任務(wù)的聯(lián)合建模，開(kāi)展了相關(guān)的研究，目前主流的自然語(yǔ)言生成技術(shù)主要有基于數據驅動(dòng)的自然語(yǔ)言生成技術(shù)和基于深度神經(jīng)網(wǎng)絡(luò )的自然語(yǔ)言生成技術(shù)。

02 自然語(yǔ)言處理應用

自然語(yǔ)言處理應用的技術(shù)體系主要包括字詞級別的自然語(yǔ)言處理，句法級別的自然語(yǔ)言處理和篇章級別的自然語(yǔ)言處理。

• 字詞級別的分析主要包括中文分詞、命名實(shí)體識別、詞性標注、同義詞分詞、字詞向量等；
• 句法級別的分析主要包括依存文法分析、詞位置分析、語(yǔ)義歸一化、文本糾錯等；
• 篇章級別的分析主要包括標簽提取、文檔相似度分析、主題模型分析、文檔分類(lèi)和聚類(lèi)等。

1. 中文分詞

中文分詞是計算機根據語(yǔ)義模型，自動(dòng)將漢字序列切分為符合人類(lèi)語(yǔ)義理解的詞匯。分詞就是將連續的字序列按照一定的規范重新組合成詞序列的過(guò)程。

在英文的行文中，單詞之間是以空格作為自然分界符的，而中文只是字、句和段能夠通過(guò)明顯的分界符來(lái)進(jìn)行簡(jiǎn)單的劃界，唯獨詞沒(méi)有一個(gè)形式上的分界符，雖然英文也同樣存在短語(yǔ)的劃分問(wèn)題，不過(guò)在詞這一層面上，中文比英文要復雜得多、困難得多。

2. 命名實(shí)體識別

命名實(shí)體識別又稱(chēng)作“專(zhuān)名識別”（NER），是指對具有特定意義的實(shí)體進(jìn)行自動(dòng)識別的技術(shù)，是信息提取、知識圖譜、問(wèn)答系統、句法分析、搜索引擎、機器翻譯等應用的重要基礎。

3. 詞性標注

詞性標注（Part-of-Speech tagging或POS tagging）又稱(chēng)詞類(lèi)標注，是指為分詞結果中的每個(gè)單詞標注一個(gè)正確的詞性的程序。具體來(lái)說(shuō)就是，確定每個(gè)詞是名詞、動(dòng)詞、形容詞或者是其他詞性的過(guò)程（如圖3-2所示）。

▲圖3-2 詞性標注

在漢語(yǔ)中，詞性標注比較簡(jiǎn)單，因為漢語(yǔ)詞匯詞性多變的情況比較少見(jiàn)，大多數詞語(yǔ)只有一個(gè)詞性，或者出現頻次最高的詞性遠遠高于第二位的詞性。常用的方法有：基于最大熵的詞性標注、基于統計的最大概率輸出詞性、基于隱馬爾可夫模型（HMM）的詞性標注。

4. 同義詞分析

由于不同地區的文化差異，輸入的查詢(xún)文字很可能會(huì )出現描述不一致的問(wèn)題。此時(shí)，業(yè)務(wù)系統需要對用戶(hù)的輸入做同義詞、糾錯、歸一化處理。同義詞挖掘是一項基礎工作，同義詞算法包括詞典、百科詞條、元搜索數據、上下文相關(guān)性挖掘，等等。

5. 詞向量分析

詞向量技術(shù)是指將詞轉化為稠密向量，相似的詞對應的詞向量也相近。在自然語(yǔ)言處理應用中，詞向量作為深度學(xué)習模型的特征進(jìn)行輸入。因此，最終模型的效果在很大程度上取決于詞向量的效果。一般來(lái)說(shuō)，字詞表示有兩種方式：one-hot及分布式表示。

• one-hot是指向量中只有一個(gè)維度的值為1，其余維度為0，這個(gè)維度代表了當前詞。
• 分布式表示（word embedding）指的是將詞轉化為一種分布式表示，又稱(chēng)詞向量，分布式表示將詞表示成一個(gè)定長(cháng)的稠密向量。

詞向量的生成可分為兩種方法：基于統計方法（例如，共現矩陣、奇異值分解（SVD）和基于語(yǔ)言模型（例如，word2vec中使用的CBOW、Skip-gram等）。

6. 依存文法分析

依存文法通過(guò)分析語(yǔ)言單位內成分之前的依存關(guān)系解釋其句法結構，主張句子中的核心謂語(yǔ)動(dòng)詞是支配其他成分的中心成分。而它本身卻不會(huì )受到其他任何成分的支配，所有受支配的成分都以某種關(guān)系從屬于支配者，如圖3-3所示。

▲圖3-3 依存文法分析距離

從分析結果中我們可以看到，句子的核心謂語(yǔ)動(dòng)詞為“召開(kāi)”，主語(yǔ)是“民航局”，“召開(kāi)”的賓語(yǔ)是“會(huì )”，“會(huì )”的修飾語(yǔ)是“通用航空發(fā)展工作專(zhuān)題”。有了上面的句法分析結果，我們就可以比較容易地看到，是“民航局”“召開(kāi)”了會(huì )議，而不是“促進(jìn)”了會(huì )議，即使“促進(jìn)”距離“會(huì )”更近。

7. 詞位置分析

文章中不同位置的詞對文章語(yǔ)義的貢獻度也不同。文章首尾出現的詞成為主題詞、關(guān)鍵詞的概率要大于出現在正文中的詞。對文章中的詞的位置進(jìn)行建模，賦予不同位置不同的權重，從而能夠更好地對文章進(jìn)行向量化表示。

8. 語(yǔ)義歸一化

語(yǔ)義歸一化通常是指從文章中識別出具有相同意思的詞或短語(yǔ)，其主要的任務(wù)是共指消解。共指消解是自然語(yǔ)言處理中的核心問(wèn)題，在機器翻譯、信息抽取以及問(wèn)答等領(lǐng)域都有著(zhù)非常重要的作用。

就拿常見(jiàn)的信息抽取的一個(gè)成型系統來(lái)講，微軟的學(xué)術(shù)搜索引擎會(huì )存有一些作者的檔案資料，這些信息可能有一部分就是根據共指對象抽取出來(lái)的。比如，在一個(gè)教授的訪(fǎng)談錄中，教授的名字可能只會(huì )出現一兩次，更多的可能是“我”“某某博士”“某某教授”或“他”之類(lèi)的代稱(chēng)，不出意外的話(huà)，這其中也會(huì )有一些同樣的詞代表記者，如何將這些詞對應到正確的人，將會(huì )成為信息抽取的關(guān)鍵所在。

9. 文本糾錯

文本糾錯任務(wù)指的是，對于自然語(yǔ)言在使用過(guò)程中出現的錯誤進(jìn)行自動(dòng)地識別和糾正。文本糾錯任務(wù)主要包含兩個(gè)子任務(wù)，分別為錯誤識別和錯誤修正。錯誤識別的任務(wù)是指出錯誤出現的句子的位置，錯誤修正是指在識別的基礎上自動(dòng)進(jìn)行更正。

相比于英文糾錯來(lái)說(shuō)，中文糾錯的主要困難在于中文的語(yǔ)言特性：中文的詞邊界以及中文龐大的字符集。由于中文的語(yǔ)言特性，兩種語(yǔ)言的錯誤類(lèi)型也是不同的。

英文的修改操作包括插入、刪除、替換和移動(dòng)（移動(dòng)是指兩個(gè)字母交換順序等），而對于中文來(lái)說(shuō)，因為每一個(gè)中文漢字都可獨立成詞，因此插入、刪除和移動(dòng)的錯誤都只是作為語(yǔ)法錯誤。由于大部分的用戶(hù)均為母語(yǔ)用戶(hù)，且輸入法一般會(huì )給出正確提示，語(yǔ)法錯誤的情況一般比較少，因此，中文輸入糾錯主要集中在替換錯誤上。

10. 標簽提取

文檔的標簽通常是幾個(gè)詞語(yǔ)或者短語(yǔ)，并以此作為對該文檔主要內容的提要。標簽是人們快速了解文檔內容、把握主題的重要方式，在科技論文、信息存儲、新聞報道中具有極其廣泛的應用。文檔的標簽通常具有可讀性、相關(guān)性、覆蓋度等特點(diǎn)。

• 可讀性指的是其本身作為一個(gè)詞語(yǔ)或者短語(yǔ)就應該是有意義的；
• 相關(guān)性指的是標簽必須與文檔的主題、內容緊密相關(guān)；
• 覆蓋度指的是文檔的標簽能較好地覆蓋文檔的內容，而不能只集中在某一句話(huà)中。

11. 文本相似度

文本相似度在不同領(lǐng)域受到了廣泛的討論，然而由于應用場(chǎng)景的不同，其內涵也會(huì )有差異，因此沒(méi)有統一的定義。

從信息論的角度來(lái)看，相似度與文本之間的共性和差異度有關(guān)，共性越大、差異度越小，則相似度越高；共性越小、差異度越大，則相似度越低；相似度最大的情況是文本完全相同。

相似度計算一般是指計算事物的特征之間的距離，如果距離小，那么相似度就大；如果距離大，那么相似度就小。

相似度計算的方法可以分為四大類(lèi)：基于字符串的方法、基于語(yǔ)料庫的方法、基于知識的方法和其他方法。

• 基于字符串的方法是指從字符串的匹配度出發(fā)，以字符串共現和重復程度為相似度的衡量標準；
• 基于語(yǔ)料庫的方法是指利用從語(yǔ)料庫中獲取的信息計算文本的相似度；
• 基于知識的方法是指利用具有規范組織體系的知識庫計算文本的相似度。

12. 主題模型

主題分析模型（Topic Model）是以非監督學(xué)習的方式對文檔的隱含語(yǔ)義結構進(jìn)行統計和聚類(lèi)，以用于挖掘文本中所蘊含的語(yǔ)義結構的技術(shù)。隱含狄利克雷分布（Latent Dirichlet Allocation，LDA）是常用的主題模型計算方法。

13. 文本分類(lèi)

按照特定行業(yè)的文檔分類(lèi)體系，計算機自動(dòng)閱讀文檔的內容并將其歸屬到相應類(lèi)目的技術(shù)體系下。其典型的處理過(guò)程可分為訓練和運轉兩種。即計算機預先閱讀各個(gè)類(lèi)目的文檔并提取特征，完成有監督的學(xué)習訓練，在運轉階段識別新文檔的內容并完成歸類(lèi)。

14. 文本聚類(lèi)

文本聚類(lèi)主要是依據著(zhù)名的聚類(lèi)假設：同類(lèi)的文檔相似度較大，而不同類(lèi)的文檔相似度較小。作為一種無(wú)監督的機器學(xué)習方法，聚類(lèi)由于不需要訓練過(guò)程，以及不需要預先對文檔的類(lèi)別進(jìn)行手工標注，因此具有一定的靈活性和較高的自動(dòng)化處理能力。

文本聚類(lèi)已經(jīng)成為對文本信息進(jìn)行有效地組織、摘要和導航的重要手段。文本聚類(lèi)的方法主要有基于劃分的聚類(lèi)算法、基于層次的聚類(lèi)算法和基于密度的聚類(lèi)算法。