自然语言处理简介

一、NLP 核心目标

让计算机具备三大能力：

理解语言：识别文本情感、提取关键信息、分析语义逻辑；
处理语言：翻译、拼写纠错、文本摘要、格式转换；
生成语言：写文案、对话交互、自动回复、代码生成。

二、NLP 核心任务（从易到难）

计算机无法直接理解文字，需将其转换为数字（向量），这是 NLP 的第一步（这里简单介绍三种方法）：

词袋模型（Bag of Words）：简单粗暴，统计每个词的出现次数；

TF-IDF：优化词袋模型，突出 "稀有但重要" 的词；

词嵌入（Word Embedding） ：核心表示方法，将每个词映射为低维向量（如 300 维），且语义相近的词向量距离更近**（核心训练思想：预测上下文的词是目标词，或预测目标词的上下文）**。

1. 基础任务（入门首选）

分词：将连续文本拆分为词语（基于规则的分词，基于统计的分词，基于深度学习的分词，现常用已有的库如jieba,nltk等）；

python 复制代码

import jieba

text = "我爱自然语言处理"
# 精确模式（默认）
seg_list = jieba.cut(text, cut_all=False)
print("精确模式：", "/".join(seg_list))  # 输出：我/爱/自然语言/处理

# 全模式
seg_list = jieba.cut(text, cut_all=True)
print("全模式：", "/".join(seg_list))  # 输出：我/爱/自然/自然语言/语言/处理

词性标注：给每个词标注语法属性（如 "猫"→ 名词，"跑"→ 动词）；

情感分析：判断文本情绪（如电商评论 "商品很好用"→ 正面，"质量太差"→ 负面，python中有snownlp可以直接调用）。

2. 进阶任务

文本分类：将文本归类（如新闻分类为 "体育 / 娱乐 / 科技"、邮件区分 "垃圾邮件 / 正常邮件"）；
命名实体识别（NER）：提取文本中的关键实体（如 "张三在腾讯工作"→ 人名：张三，机构名：腾讯）；
文本摘要：自动提炼长文本核心（如将 1000 字新闻浓缩为 100 字）；
机器翻译：跨语言转换（如中文→英文、英文→日文）。

3. 高阶任务

对话系统：聊天机器人、智能客服（需理解上下文）；
文本生成：写文章、诗歌、代码（如 GPT 系列）；
知识图谱：构建实体关系网络（如 "姚明 - 效力于 - 休斯顿火箭"）。