新NLP模型 - 自然语言处理的优点有哪些_自然语言处理的5大优势

　　新NLP模型

　　另一个承诺是，深度学习方法有助于开发全新的模型。

　　一个很好的例子是，使用能够学习和判断超长序列输出的循环神经网络。 这种方法与从前的完全不同，因为它们允许NLP从业者摆脱传统的建模假设，并实现最先进的结果。

　　Yoav Goldberg在其NLP深度学习的专著《自然语言处理的神经网络方法》第xvii页指出，像循环神经网络这样复杂神经网络模型可以带来全新的NLP建模机会。他说，“在2014年左右，该领域已经开始看到，在从稀疏输入的线性模型到稠密输入的非线性神经网络模型的转换方面，已取得了一些成功。 。……其他的变化更高级，需要研究者改变思维，并能带来新的建模机会。特别是，基于循环神经网络（RNNs）的一系列方法减轻了对序列模型中普遍存在的马尔可夫假设的依赖，允许以任意长序列为条件，并产生了有效的特征提取器。 这些进步导致了语言建模、自动机器翻译和其他应用的突破。”

　　特征学习

　　深度学习方法具有学习特征表示的能力，不必要求专家从自然语言中人工指定和提取特征。

　　NLP研究员Chris Manning在自然语言处理深度学习课程的第一次讲座中突出了这方面的观点。

　　他描述了人工定义输入特征的局限性：按照这种方法，在之前的应用中，机器学习只是在统计NLP中证明人类事先定义的特征，并且计算机几乎没有学习。

　　Chris 认为，深度学习方法带来的承诺是自动特征学习。 他强调，特征学习是自动的，而不是人工；它易于适应，不脆弱，并可以不断自动地改善。

　　Chris Mining 在2017年的《自然语言处理与深度学习》讲座第一讲幻灯片中说，“一般来说，我们人工设计的特征往往被过度地指定，它们不完整，需要很长时间才能设计和验证，会让你忙活一天后只能达到有限的性能水平。而深度学习到的特征易于适应，能快速训练，它们可以持续学习，以便达到以前未能实现的、更好的性能水平。

　　持续改进

　　NLP的深度学习的另一个承诺是，在挑战性问题上持续快速改进。

　　在《自然语言处理与深度学习》讲座第一讲中，Chris Manning表示，深度学习的方法很受欢迎，因为它们很管用。他说，“深度学习对大多数人来说如此令人兴奋的真正原因是，它确实管用。“

　　他强调，深度学习的初步结果令人印象深刻。深度学习在语音领域的表现比过去30年中任何其他方法的表现都更好。

　　Chris 提到，深度学习带来的不仅是最先进的成果，而且是不断改进的进步速度。他说，”……在过去的六七年中，非常令人惊叹的是，深度学习方法一直在不断改进，并以惊人的速度变得更好。 我其实想说，这是前所未有的，我看到这个领域飞速地进展，每个月都会推出更好的方法。“