深度学习技术在自然语言处理方面的七大应用(

2021-01-30 15:29| 发布者: |

  尽管自然语言领域还存在许多极具挑战性的问题,但是深度学习方法的应用,却为某些特定的语言问题提供了最先进的解决思路。

  深度学习模型的表现不仅仅局限于热门的基础问题。事实上,一个简单独立的深度学习模型就可以学习单词的意义和执行语言任务,避免了一系列的专业操作和人工流程。

  在这篇文章中,您会发现七大自然语言处理应用,它们都已经应用深度学习在自然语言处理领域取得了一定的成果。

  我将更多着重讨论您可能感兴趣的终端用户问题,而避开深度学习表现优异的学术或语言学的子问题,如词性标签、分块、命名实体识别等等。

  每个任务都提供了任务描述,若干应用,以及含有详细方法和结果的论文。大多数的参考资料来自Goldberg2015年杰出的论文《NLP深度学习入门》(。

  一种流行文本分类应用是情感分析(,其中的常用类别标签表示源文本的情绪色调,例如“积极”或“消极”。

  此外,还可以按需要给文本分配多个类别标签(即所谓的多标签分类)。 例如为tweet分配多个主题标签。

  语言建模真的是一个很有趣的自然语言问题的子任务,特别是在其他一些任务的基础上调节语言模型。

  “问题是预测出给定单词的下一个单词。 该任务是语音或光学字符识别的基础,也用于拼写校正,手写识别和统计学的机器翻译。”

  除了关于学术研究的兴趣,语言模型还是许多应用深度学习的自然语言处理架构的关键组成部分。

  语言模型可以学习词与词之间的概率关系,然后生成与源文本统计上一致的词汇新序列。

  “语音识别的任务是将包含口语在内的自然语言的声学信号转换成符合说话者预期的相应的单词序列。”

  给定依据文本生成的音频数据,模型必须能生成人类可读的文本。鉴于过程的自动性,这个任务也可称为自动语音识别(Automatic Speech Recognition, ASR)。

  说明生成是解决如何描述图像内容的问题,依照诸如照片等的数字图像生成和图像内容相关的文本描述。

  这项技术不仅仅可以造福听力障碍者,还可以为网站中的图像和视频数据生成人类可读的文本用于搜索。

  “机器翻译,从一种语言到另一种语言的文本或语音的自动翻译,是NLP最重要的应用之一。”

  鉴于加入了深层神经网络,该任务现在也被称为神经机器翻译(neural machine translation)。

  “在机器翻译任务中,输入是由某种语言的符号序列组成,而计算机程序必须将输入转换成其他语言的符号序列。 机器翻译经常应用于自然语言,例如从英语翻译成法语。 近来,深度学习开始对该任务产生重要影响。”

  机器翻译的语言模型用于依据源文本,输出第二语言的目标文本。常见应用如下:

  文档总结是指根据文本创建对应简短描述的任务。其语言模型用来输出基于完整文档的总结。

  “问答系统,它通过返回相应的短语(例如位置,人物或日期)来尝试回答以问题形式提出的用户查询。 例如,问题为什么杀死肯尼迪总统? 可能得到名词短语奥斯瓦尔德作答案”

  Quora:深度学习能像在视觉和语音领域一样,在自然语言处理方面有巨大的突破? (

  Quora:深度学习能像在视觉和语音领域一样,在自然语言处理方面有巨大的突破? (

  小编:文章中的资料都是英文的,如果你对其中哪篇感兴趣的话,请在下面留言,我们会尽快编译出对应的中文版。返回搜狐,查看更多

<
>
关于我们
AB模版网成立于2014年,我们是一家专注用户体验设计开发与互联网品牌建设的设计公司,创立至今为2000多位客户提供了创新与专业的设计方案。设计服务范围包括:交互原型设计、产品视觉设计、网站设计与开发建设、移动及软件产品界面设计、图标设计、品牌及平面设计等。

联系我们

服务时间:9:00-18:00)

官方微信官方微信

部门热线

前   台:
业务部:
客服部:
技术部:
人事部:

咨询电话 返回顶部
返回顶部