自然语言处理任务的分类

Question

问题

我目前正在学习自然语言处理的基础知识。我看到这方面的许多任务是为句子中的每个单词指定标签，包括POS标记、分块、命名实体识别和语义角色标记。

我的问题是

• 是否有其他不涉及为句子中的每个单词指定标签的任务。我能想到的一件事是情感分析，它为整个句子/文档或句子/文档的不同方面指定标签。
• 是否有一些建议阅读的调查，总结自然语言处理的一般任务。

Answer 1

基本上，你需要了解NLP中的无监督学习任务。为此，我们主要使用嵌入矩阵对输入语句进行矢量化。

文本摘要：

许多系统都使用了不基于神经网络的文本摘要。这些系统根据输入的重要性，采用排序算法(如TextRank )和余弦相似度对句子进行矢量化排序。然后把最重要的句子作为输出给出。您可以阅读更多的这里。

两个文档之间的

相似性：

如果您有一个强大的文档向量器(如Doc2Vec )，那么类似文档的向量是相似的，并且有一定的分数。这个分数可以用余弦相似度来计算。

科技博客与基于计算机科学的博客有更高的相似性，而不是假日/旅游博客。

这类系统在许多用例中都很有用。聚类算法也在这里得到了应用。

情感分析不是一项无监督的学习任务。这是一个分类任务：

为了训练情感分析模型，您需要一个由文本及其相应的情感(分类或二进制)组成的数据集。这种模式不能通过聚类或排序方法来实现。但是，是的，这些模型和其他模型一样使用单词嵌入。

描述NLP:

下分类的基本任务的一些链接

• https://natural-language-understanding.fandom.com/wiki/List_的_自然_语言_正在处理中_任务
• https://www.analyticsvidhya.com/blog/2017/10/essential-nlp-guide-data-scientists-top-10-nlp-tasks/
• Elvis https://link.medium.com/iItIayc0NW著的“NLP深度学习:最新趋势综述”
• https://blog.algorithmia.com/introduction-natural-language-processing-nlp/