自然语言处理的十五个细分领域及应用场景

文本分类

        最常见的应用场景~垃圾邮件拦截



实体识别

        识别句子中的实体，如提取文本中的人名、时间、地址等实体；

信息提取

        识别句子中的关键信息，与实体识别的主要区别是抽取出的是信息，而不是实体，比如一条与收支相关的短信，需要提取出这条短信到底是入账、支出或者仅仅是还款提醒（并没有发生交易）等关键信息，这是信息提取；

        而提取其中的金额、银行卡尾号等属于实体识别

错词识别&语法纠错

        Word、WPS以及常见的IDE都由此功能；



依存分析

        分析句子中词语或者实体之间的关系，比如一段与犯罪有关的文本描述中识别谁是受害人，谁是嫌疑犯。

文本打分

        比如自动判断文章的色情程度，判断这个文章与某类特定用户的匹配程度，论文抄袭度检测等。

自动摘要提取

        根据文章内容，自动生成文章的摘要；

机器翻译

        这个不用多说，谷歌翻译、百度翻译、有道词典等都属于此类范畴

词语联想

        最常见的应用是在搜索框中输入部分词语，如 自然，便会有自然语言处理的提示

分词功能

        一般利用字典树和维特比算法实现对句子的合理切分，以便有利于后期的各种分析。



共指消解（Conference Resolutition）

        将文章中对同一实体的不同表述，转为等价描述比如：“中国的首都被河北环绕，最初名字为北平，后来改为北京；”需要将中国的首都、北平、北京这三个词语映射为同一个实体；

        在搜索系统中用的比较多，比如搜索中国的首都需要将与北京有关的词条展示出来。

实体链接（Entity Linkling）

        与知识库/知识图谱相关的系统对实体链接的应用比较多，比如：现在有一个由M个实体构成的知识库，知识库中包含了这M个实体相关的很多信息，对于一篇包含N个实体的文本，将文本中的N个实体与数据库中的对应实体做链接，获取知识库中的与实体相关的信息便更有利于对文本的理解，同时这个文本也可为知识库中的某些实体提供更多的相关信息，丰富知识库的内容；

        实体链接中往往会用到共指消解

文本相似度分析

        可以应用于文本聚类，论文查重等；

文本生成

        比如对话机器人，对联生成器，根据指定的词语创作藏头诗等应用

转发了

支持，赞一个

非常好，顶一下