“一台机器能够完全模仿人类，没有明显的差异，那么机器可以被认为是能够思考的”——图灵
NLP的核心任务是通过计算机程序来模拟人类对语言的认知和使用过程。
NLP
这个过程就像小学我们刚开始学习语文的过程。
我们学习语文分为两个阶段：老师讲解和学生理解并回答。
文本表示
文本表示就是让人类的语言让计算机能够理解和操作的形式。 就是老师讲解阶段。老师把文章通过通俗易懂的语言让我们理解和记忆。
- 词向量。把文本转换成高维空间中的词向量来实现文本的数学化表示，通过计算向量中的每个元素的权重来确定重要程度。但是当特征数量庞大的时候向量维度会很高，同时多数元素值为0，这种知识统计了重要程度，去忽略了上下文信息
- 语言模型。n-gram模型提出，一个词出现的概率仅依赖于前面的n-1个词。通过计算每个n-gram出现的条件概率，将概率相乘得到整个句子出现的概率。实现起来比较简单和容易理解，但是当前面的参数突然增大的时候，相同的N-gram序列出现的概率变得很低。忽略了词之间的依赖关系
- Word2Veec是一种流行的词嵌入技术。通过学习词和词之间的上下文关系来生成词的密集向量表示。有两种架构：CBOW通过目标此上下文中的词对应的向量词，计算目标词的向量表示；Skip-Gram模型九域志相反。前者适用于小数据集，后者在大型语料种表现更好。但是无法捕捉长距离上下文关系。
- ELMo,实现了一词多义，静态词向量到动态词向量的跨越式转变。会先预训练语言模型得到词向量模型，然后根据任务进行微调，生成更准确的词向量表示。
NLP任务
分为9个任务：中文分词，子词切分，词性标注，文本分类，实体识别，关系抽取，文本摘要，机器翻译，自动问答。 就是学生理解阶段。学生把文章从拆分成词，然后理解词性，把事情分类，把文章的名词和实际联系起来，然后把不同的实体用关系联系起来，最后总结出作者表达的意思，通过语言回答出来的过程。
第一步：中文分词。把中文的一句话切分成有意义的词、词汇）
第二步： 子词切分。类似我们学英语的时候，遇到不懂的复杂单词，把他切分成更小的切片去理解词根词缀；还有我们小时候遇到不懂的词语的时候，有边读边，根据偏旁部首去理解词义。
第三步：词性标注。把一句话的单词贴上动词，名词，形容词这种标签，能够更好的理解整句话的结构
第四步：文本分类。给一段文本分类，例如我们常说的，在大学四年，学习上，我成绩优异，名列前茅，参加了很多竞赛并拿奖；生活上，规律作息，经常锻炼。这样子把几件事情分别分到学习上和生活上这两大类别。让其他人能够快速捕捉到重点，条理清晰。
第五步：实体识别。就是把名词和实体联系起来。
第六步：关系抽取。就是把两个实体联系起来。连连看，小青蛙找妈妈。
第七步：文本摘要。就是总结一段话说的是什么，总结也分为：抽取式摘要和生成式摘要。前者类似提取关键字，关键词、做思维导图。后者是在前者的基础上，添加有些自己的理解，用自己的话说出来
第八步：机器翻译，就是充分理解原来的意思之后，使用另一种语言准确的表达。
第九步：自问自答。回答，通过上面8种方式理解自然语言之后，能够根据问题给出答案。有三种找到答案的方式：检索是回答、知识库回答、社区问答。类似读一篇课文，要回答老师的问题的时候，可以从原文筛选找出答案；或者通过一些“作者借用……表达了作者……感情"、柳树代表离别、老树代表迟暮之年这样子的结构化知识库去回答问题；最后还可以根据前面回答问题同学的答案 和老师的引导去组织答案。
这是我用自己的联想类比去理解NLP，路过的大佬如果觉得哪里不对，麻烦多多指教。
