自然語(yǔ)言處理一直是人工智能領(lǐng)域的重要話題，更是 18 年的熱度話題，為了在海量文本中及時(shí)準(zhǔn)確地獲得有效信息，文本分類技術(shù)獲得廣泛關(guān)注，也給大家?guī)?lái)了更多應(yīng)用和想象的空間。本文根據(jù)達(dá)觀數(shù)據(jù)聯(lián)合創(chuàng)始人張健的直播內(nèi)容《NLP 概述及文本自動(dòng)分類算法詳解》整理而成。

一、 NLP 概述

?

1.文本挖掘任務(wù)類型的劃分

文本挖掘任務(wù)大致分為四個(gè)類型：類別到序列、序列到類別、同步的（每個(gè)輸入位置都要產(chǎn)生輸出）序列到序列、異步的序列到序列。

?

同步的序列到序列的例子包括中文分詞，命名實(shí)體識(shí)別和詞性標(biāo)注。一部的序列到序列包括機(jī)器翻譯和自動(dòng)摘要。序列到類別的例子包括文本分類和情感分析。類別（對(duì)象）到序列的例子包括文本生成和形象描述。

2.文本挖掘系統(tǒng)整體方案

達(dá)觀數(shù)據(jù)一直專注于文本語(yǔ)義，文本挖掘系統(tǒng)整體方案包含了自然語(yǔ)言處理的各個(gè)環(huán)節(jié)，從處理的文本粒度上來(lái)分，可以分為篇章級(jí)應(yīng)用、短串級(jí)應(yīng)用和詞匯級(jí)應(yīng)用。

篇章級(jí)應(yīng)用有六個(gè)方面，已經(jīng)有成熟的產(chǎn)品支持企業(yè)在不同方面的文本挖掘需求：

• 垃圾評(píng)論：精準(zhǔn)識(shí)別廣告、不文明用語(yǔ)及低質(zhì)量文本。

• 黃反識(shí)別：準(zhǔn)確定位文本中所含涉黃、涉政及反動(dòng)內(nèi)容。

• 標(biāo)簽提?。禾崛∥谋局械暮诵脑~語(yǔ)生成標(biāo)簽。

• 文章分類：依據(jù)預(yù)設(shè)分類體系對(duì)文本進(jìn)行自動(dòng)歸類。

• 情感分析：準(zhǔn)確分析用戶透過(guò)文本表達(dá)出的情感傾向。

• 文章主題模型：抽取出文章的隱含主題。

為了實(shí)現(xiàn)這些頂層應(yīng)用，達(dá)觀數(shù)據(jù)掌握從詞語(yǔ)短串分析個(gè)層面的分析技術(shù)，開(kāi)發(fā)了包括中文分詞、專名識(shí)別、語(yǔ)義分析和詞串分析等模塊。

達(dá)觀數(shù)據(jù)文本挖掘架構(gòu)圖

3.序列標(biāo)注應(yīng)用：中文分詞

同步的序列到序列，其實(shí)就是序列標(biāo)注問(wèn)題，應(yīng)該說(shuō)是自然語(yǔ)言處理中最常見(jiàn)的問(wèn)題。序列標(biāo)注的應(yīng)用包括中文分詞、命名實(shí)體識(shí)別和詞性標(biāo)注等。序列標(biāo)注問(wèn)題的輸入是一個(gè)觀測(cè)序列，輸出的是一個(gè)標(biāo)記序列或狀態(tài)序列。

舉中文分詞為例，處理「結(jié)合成分子」的觀測(cè)序列，輸出「結(jié)合/成/分子」的分詞標(biāo)記序列。針對(duì)中文分詞的這個(gè)應(yīng)用，有多種處理方法，包括基于詞典的方法、隱馬爾可夫模型（HMM）、最大熵模型、條件隨機(jī)場(chǎng)（CRF）、深度學(xué)習(xí)模型（雙向 LSTM 等）和一些無(wú)監(jiān)督學(xué)習(xí)的方法（基于凝聚度與自由度）。

4.序列標(biāo)注應(yīng)用：NER

命名實(shí)體識(shí)別：Named Entity Recognition，簡(jiǎn)稱 NER，又稱作「專名識(shí)別」，是指識(shí)別文本中具有特定意義的實(shí)體，主要包括人名、地名、機(jī)構(gòu)名、專有名詞等。通常包括實(shí)體邊界識(shí)別和確定實(shí)體類別。

對(duì)與命名實(shí)體識(shí)別，采取不同的標(biāo)記方式，常見(jiàn)的標(biāo)簽方式包括 IO、BIO、BMEWO 和 BMEWO+。其中一些標(biāo)簽含義是：

?

• B：begin

• I：一個(gè)詞的后續(xù)成分

• M：中間

• E：結(jié)束

• W：?jiǎn)蝹€(gè)詞作為實(shí)體

大部分情況下，標(biāo)簽體系越復(fù)雜準(zhǔn)確度也越高，但相應(yīng)的訓(xùn)練時(shí)間也會(huì)增加。因此需要根據(jù)實(shí)際情況選擇合適的標(biāo)簽體系。通常我們實(shí)際應(yīng)用過(guò)程中，最難解決的還是標(biāo)注問(wèn)題。所以在做命名實(shí)體識(shí)別時(shí)，要考慮人工成本問(wèn)題。

5.英文處理

在自然語(yǔ)言處理領(lǐng)域，中文和英文的處理在大的方面都是相通的，不過(guò)在細(xì)節(jié)方面會(huì)有所差別。其中一個(gè)方面，就是中文需要解決分詞的問(wèn)題，而英文天然的就沒(méi)有這個(gè)煩惱；另外一個(gè)方面，英文處理會(huì)面臨詞形還原和詞根提取的問(wèn)題，英文中會(huì)有時(shí)態(tài)變換（made==>make），單復(fù)數(shù)變換（cats==>cat），詞根提?。╝rabic==>arab）。

在處理上面的問(wèn)題過(guò)程中，不得不提到的一個(gè)工具是 WordNet。WordNet 是一個(gè)由普林斯頓大學(xué)認(rèn)識(shí)科學(xué)實(shí)驗(yàn)室在心理學(xué)教授喬治?A?米勒的指導(dǎo)下建立和維護(hù)的英語(yǔ)字典。在 WordNet 中，名詞、動(dòng)詞、形容詞和副詞各自被組織成一個(gè)同義詞的網(wǎng)絡(luò)，每個(gè)同義詞集合都代表一個(gè)基本的語(yǔ)義概念，并且這些集合之間也由各種關(guān)系連接。我們可以通過(guò) WordNet 來(lái)獲取同義詞和上位詞。

6.詞嵌入

在處理文本過(guò)程中，我們需要將文本轉(zhuǎn)化成數(shù)字可表示的方式。詞向量要做的事就是將語(yǔ)言數(shù)學(xué)化表示。詞向量有兩種實(shí)現(xiàn)方式：One-hot 表示，即通過(guò)向量中的一維 0/1 值來(lái)表示某個(gè)詞；詞嵌入，將詞轉(zhuǎn)變?yōu)楣潭ňS數(shù)的向量。

word2vec 是使用淺層和雙層神經(jīng)網(wǎng)絡(luò)產(chǎn)生生詞向量的模型，產(chǎn)生的詞嵌入實(shí)際上是語(yǔ)言模型的一個(gè)副產(chǎn)品，網(wǎng)絡(luò)以詞表現(xiàn)，并且需猜測(cè)相鄰位置的輸入詞。word2vec 中詞向量的訓(xùn)練方式有兩種，cbow（continuous bags of word）和 skip-gram。cbow 和 skip-gram 的區(qū)別在于，cbow 是通過(guò)輸入單詞的上下文（周圍的詞的向量和）來(lái)預(yù)測(cè)中間的單詞，而 skip-gram 是輸入中間的單詞來(lái)預(yù)測(cè)它周圍的詞。

7.文檔建模

要使計(jì)算機(jī)能夠高效地處理真實(shí)文本，就必須找到一種理想的形式化表示方法，這個(gè)過(guò)程就是文檔建模。文檔建模一方面要能夠真實(shí)地反映文檔的內(nèi)容，另一方面又要對(duì)不同文檔具有區(qū)分能力。文檔建模比較通用的方法包括布爾模型、向量空間模型（VSM）和概率模型。其中最為廣泛使用的是向量空間模型。

二、文本分類的關(guān)鍵技術(shù)與重要方法

1.利用機(jī)器學(xué)習(xí)進(jìn)行模型訓(xùn)練

文本分類的流程包括訓(xùn)練、文本語(yǔ)義、文本特征處理、訓(xùn)練模型、模型評(píng)估和輸出模型等幾個(gè)主要環(huán)節(jié)。其中介紹一下一些主要的概念。

• 文檔建模：概率模型，布爾模型，VSM；

• 文本語(yǔ)義：分詞，命名實(shí)體識(shí)別，詞性標(biāo)注等；

• 文本特征處理：特征降維，包括使用評(píng)估函數(shù)（TF-IDF，互信息方法，期望交叉熵，QEMI，統(tǒng)計(jì)量方法，遺傳算法等）；特征向量權(quán)值計(jì)算；

• 樣本分類訓(xùn)練：樸素貝葉斯分類器，SVM，神經(jīng)網(wǎng)絡(luò)算法，決策樹(shù)，Ensemble 算法等；

• 模型評(píng)估：召回率，正確率，F(xiàn)-測(cè)度值；

2.向量空間模型

向量空間模型是常用來(lái)處理文本挖掘的文檔建模方法。VSM 概念非常直觀——把對(duì)文本內(nèi)容的處理簡(jiǎn)化為向量空間中的向量運(yùn)算，并且它以空間上的相似度表達(dá)語(yǔ)義的相似度，直觀易懂。

當(dāng)文檔被表示為文檔空間的向量時(shí)，就可以通過(guò)計(jì)算向量之間的相似性來(lái)度量文檔間的相似性。它的一些實(shí)現(xiàn)方式包括：

?

1）N-gram 模型：基于一定的語(yǔ)料庫(kù)，可以利用 N-Gram 來(lái)預(yù)計(jì)或者評(píng)估一個(gè)句子是否合理；

2）TF-IDF 模型：若某個(gè)詞在一篇文檔中出現(xiàn)頻率 TF 高，卻在其他文章中很少出現(xiàn)，則認(rèn)為此詞具有很好的類別區(qū)分能力；

3）Paragraph Vector 模型：其實(shí)是 word vector 的一種擴(kuò)展。Gensim 中的 Doc2Vec 以及 Facebook 開(kāi)源的 Fasttext 工具也是采取了這么一種思路，它們將文本的詞向量進(jìn)行相加/求平均的結(jié)果作為 Paragraph Vector。

3.文本特征提取算法

目前大多數(shù)中文文本分類系統(tǒng)都采用詞作為特征項(xiàng)，作為特征項(xiàng)的詞稱作特征詞。這些特征詞作為文檔的中間表示形式，用來(lái)實(shí)現(xiàn)文檔與文檔、文檔與用戶目標(biāo)之間的相似度計(jì)算。如果把所有的詞都作為特征項(xiàng)，那么特征向量的維數(shù)將過(guò)于巨大。有效的特征提取算法，不僅能降低運(yùn)算復(fù)雜度，還能提高分類的效率和精度。

文本特征提取的算法包含下面三個(gè)方面：

?

1）從原始特征中挑選出一些最具代表文本信息的特征，例如詞頻、TF-IDF 方法;

2）基于數(shù)學(xué)方法找出對(duì)分類信息共現(xiàn)比較大的特征，主要例子包括互信息法、信息增益、期望交叉熵和統(tǒng)計(jì)量方法;

3）以特征量分析多元統(tǒng)計(jì)分布，例如主成分分析（PCA）。

4.文本權(quán)重計(jì)算方法

特征權(quán)重用于衡量某個(gè)特征項(xiàng)在文檔表示中的重要程度或區(qū)分能力的強(qiáng)弱。選擇合適的權(quán)重計(jì)算方法，對(duì)文本分類系統(tǒng)的分類效果能有較大的提升作用。

特征權(quán)重的計(jì)算方法包括：

?

1）TF-IDF；

2）詞性；

3）標(biāo)題；

4）位置；

5）句法結(jié)構(gòu)；

6）專業(yè)詞庫(kù)；

7）信息熵；

8）文檔、詞語(yǔ)長(zhǎng)度；

9）詞語(yǔ)間關(guān)聯(lián)；

10）詞語(yǔ)直徑；

11）詞語(yǔ)分布偏差。

其中提幾點(diǎn)，詞語(yǔ)直徑是指詞語(yǔ)在文本中首次出現(xiàn)的位置和末次出現(xiàn)的位置之間的距離。詞語(yǔ)分布偏差所考慮的是詞語(yǔ)在文章中的統(tǒng)計(jì)分布。在整篇文章中分布均勻的詞語(yǔ)通常是重要的詞匯。

5.分類器設(shè)計(jì)

由于文本分類本身是一個(gè)分類問(wèn)題，所以一般的模式分類方法都可以用于文本分類應(yīng)用中。

常用分類算法的思路包括下面四種：

?

1）樸素貝葉斯分類器：利用特征項(xiàng)和類別的聯(lián)合概率來(lái)估計(jì)文本的類別概率；

2）支持向量機(jī)分類器：在向量空間中找到一個(gè)決策平面，這個(gè)平面能夠最好的切割兩個(gè)分類的數(shù)據(jù)點(diǎn)，主要用于解決二分類問(wèn)題；

3）KNN 方法：在訓(xùn)練集中找到離它最近的 k 個(gè)臨近文本，并根據(jù)這些文本的分類來(lái)給測(cè)試文檔分類；

4）決策樹(shù)方法：將文本處理過(guò)程看作是一個(gè)等級(jí)分層且分解完成的復(fù)雜任務(wù)。

6.分類算法融合

聚合多個(gè)分類器，提高分類準(zhǔn)確率稱為 Ensemble 方法。

利用不同分類器的優(yōu)勢(shì)，取長(zhǎng)補(bǔ)短，最后綜合多個(gè)分類器的結(jié)果。Ensemble 可設(shè)定目標(biāo)函數(shù) (組合多個(gè)分類器)，通過(guò)訓(xùn)練得到多個(gè)分類器的組合參數(shù) (并非簡(jiǎn)單的累加或者多數(shù))。

我們這里提到的 ensemble 可能跟通常說(shuō)的 ensemble learning 有區(qū)別。主要應(yīng)該是指 stacking。Stacking 是指訓(xùn)練一個(gè)模型用于組合其他各個(gè)模型。即首先我們先訓(xùn)練多個(gè)不同的模型，然后再以之前訓(xùn)練的各個(gè)模型的輸出為輸入來(lái)訓(xùn)練一個(gè)模型，以得到一個(gè)最終的輸出。在處理 ensemble 方法的時(shí)候，需要注意幾個(gè)點(diǎn)?；A(chǔ)模型之間的相關(guān)性要盡可能的小，并且它們的性能表現(xiàn)不能差距太大。

多個(gè)模型分類結(jié)果如果差別不大，那么疊加效果也不明顯；或者如果單個(gè)模型的效果距離其他模型比較差，也是會(huì)對(duì)整體效果拖后腿。

三、文本分類在深度學(xué)習(xí)中的應(yīng)用

1.CNN 文本分類

采取 CNN 方法進(jìn)行文本分類，相比傳統(tǒng)方法會(huì)在一些方面有優(yōu)勢(shì)。

基于詞袋模型的文本分類方法，沒(méi)有考慮到詞的順序。

基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）來(lái)做文本分類，可以利用到詞的順序包含的信息。如圖展示了比較基礎(chǔ)的一個(gè)用 CNN 進(jìn)行文本分類的網(wǎng)絡(luò)結(jié)構(gòu)。CNN 模型把原始文本作為輸入，不需要太多的人工特征。CNN 模型的一個(gè)實(shí)現(xiàn)，共分四層：

• 第一層是詞向量層，doc 中的每個(gè)詞，都將其映射到詞向量空間，假設(shè)詞向量為 k 維，則 n 個(gè)詞映射后，相當(dāng)于生成一張 n*k 維的圖像；

• 第二層是卷積層，多個(gè)濾波器作用于詞向量層，不同濾波器生成不同的 feature map；

• 第三層是 pooling 層，取每個(gè) feature map 的最大值，這樣操作可以處理變長(zhǎng)文檔，因?yàn)榈谌龑虞敵鲋灰蕾囉跒V波器的個(gè)數(shù)；

• 第四層是一個(gè)全連接的 softmax 層，輸出是每個(gè)類目的概率，中間一般加個(gè) dropout，防止過(guò)擬合。

有關(guān) CNN 的方法一般都圍繞這個(gè)基礎(chǔ)模型進(jìn)行，再加上不同層的創(chuàng)新。

比如第一個(gè)模型在輸入層換成 RNN，去獲得文本通過(guò) rnn 處理之后的輸出作為卷積層的輸入。比如說(shuō)第二個(gè)是在 pooling 層使用了動(dòng)態(tài) kmax pooling，來(lái)解決樣本集合文本長(zhǎng)度變化較大的問(wèn)題。比如說(shuō)第三種是極深網(wǎng)絡(luò)，在卷積層做多層卷積，以獲得長(zhǎng)距離的依賴信息。CNN 能夠提取不同長(zhǎng)度范圍的特征，網(wǎng)絡(luò)的層數(shù)越多，意味著能夠提取到不同范圍的特征越豐富。不過(guò) cnn 層數(shù)太多會(huì)有梯度彌散、梯度爆炸或者退化等一系列問(wèn)題。

為了解決這些問(wèn)題，極深網(wǎng)絡(luò)就通過(guò) shortcut 連接。殘差網(wǎng)絡(luò)其實(shí)是由多種路徑組合的一個(gè)網(wǎng)絡(luò)，殘差網(wǎng)絡(luò)其實(shí)是很多并行子網(wǎng)絡(luò)的組合，有些點(diǎn)評(píng)評(píng)書(shū)殘差網(wǎng)絡(luò)就說(shuō)它其實(shí)相當(dāng)于一個(gè) Ensembling。

2.RNN 與 LSTM 文本分類

CNN 有個(gè)問(wèn)題是卷積時(shí)候是固定 filter_size，就是無(wú)法建模更長(zhǎng)的序列信息，雖然這個(gè)可以通過(guò)多次卷積獲得不同范圍的特征，不過(guò)要付出增加網(wǎng)絡(luò)深度的代價(jià)。

Rnn 的出現(xiàn)是解決變長(zhǎng)序列信息建模的問(wèn)題，它會(huì)將每一步中產(chǎn)生的信息都傳遞到下一步中。

首先我們?cè)谳斎雽又希咨弦粚与p向 LSTM 層，LSTM 是 RNN 的改進(jìn)模型，相比 RNN，能夠更有效地處理句子中單詞間的長(zhǎng)距離影響；而雙向 LSTM 就是在隱層同時(shí)有一個(gè)正向 LSTM 和反向 LSTM，正向 LSTM 捕獲了上文的特征信息，而反向 LSTM 捕獲了下文的特征信息，這樣相對(duì)單向 LSTM 來(lái)說(shuō)能夠捕獲更多的特征信息，所以通常情況下雙向 LSTM 表現(xiàn)比單向 LSTM 或者單向 RNN 要好。

如何從物理意義上來(lái)理解求平均呢？這其實(shí)可以理解為在這一層，兩個(gè)句子中每個(gè)單詞都對(duì)最終分類結(jié)果進(jìn)行投票，因?yàn)槊總€(gè) BLSTM 的輸出可以理解為這個(gè)輸入單詞看到了所有上文和所有下文（包含兩個(gè)句子）后作出的兩者是否語(yǔ)義相同的判斷，而通過(guò) Mean Pooling 層投出自己寶貴的一票。

3.Attention Model 與 seq2seq

注意力模型 Attention Model 是傳統(tǒng)自編碼器的一個(gè)升級(jí)版本。傳統(tǒng) RNN 的 Encoder-Decoder 模型，它的缺點(diǎn)是不管無(wú)論之前的 context 有多長(zhǎng)，包含多少信息量，最終都要被壓縮成固定的 vector，而且各個(gè)維度維度收到每個(gè)輸入維度的影響都是一致的。為了解決這個(gè)問(wèn)題，它的 idea 其實(shí)是賦予不同位置的 context 不同的權(quán)重，越大的權(quán)重表示對(duì)應(yīng)位置的 context 更加重要。

現(xiàn)實(shí)中，舉一個(gè)翻譯問(wèn)題：jack ma dances very well 翻譯成中文是馬云跳舞很好。其中，馬云應(yīng)該是和 jack ma 關(guān)聯(lián)的。

Attention Model 是當(dāng)前的研究熱點(diǎn)，它廣泛地可應(yīng)用于文本生成、機(jī)器翻譯和語(yǔ)言模型等方面。

?

4.Hierarchical Attention Network

下面介紹層次化注意力網(wǎng)絡(luò)。

詞編碼層是首先把詞轉(zhuǎn)化成詞向量，然后用雙向的 GRU 層, 可以將正向和反向的上下文信息結(jié)合起來(lái)，獲得隱藏層輸出。第二層是 word attention 層。attention 機(jī)制的目的是要把一個(gè)句子中，對(duì)句子的含義最重要，貢獻(xiàn)最大的詞語(yǔ)找出來(lái)。

為了衡量單詞的重要性, 我們用 u_it 和一個(gè)隨機(jī)初始化的上下文向量 u_w 的相似度來(lái)表示，然后經(jīng)過(guò) softmax 操作獲得了一個(gè)歸一化的 attention 權(quán)重矩陣 a_it，代表句子 i 中第 t 個(gè)詞的權(quán)重。結(jié)合詞的權(quán)重，句子向量 s_i 看作組成這些句子的詞向量的加權(quán)求和。

第三層是句子編碼層，也是通過(guò)雙向 GRU 層, 可以將正向和反向的上下文信息結(jié)合起來(lái)，獲得隱藏層輸出。

到了第四層是句子的注意力層，同詞的注意力層差不多，也是提出了一個(gè)句子級(jí)別的上下文向量 u_s, 來(lái)衡量句子在文中的重要性。輸出也是結(jié)合句子的權(quán)重，全文的向量表示看做是句子向量的加權(quán)求和。

到了最后，有了全文的向量表示，我們就直接通過(guò)全連接 softmax 來(lái)進(jìn)行分類。

四、案例介紹

?

1.新聞分類

新聞分類是最常見(jiàn)的一種分類。其處理方法包括：

?

1）定制行業(yè)專業(yè)語(yǔ)料，定期更新語(yǔ)料知識(shí)庫(kù)，構(gòu)建行業(yè)垂直語(yǔ)義模型。

2）計(jì)算 term 權(quán)重，考慮到位置特征，網(wǎng)頁(yè)特征，以及結(jié)合離線統(tǒng)計(jì)結(jié)果獲取到核心的關(guān)鍵詞。

3）使用主題模型進(jìn)行語(yǔ)義擴(kuò)展

4）監(jiān)督與半監(jiān)督方式的文本分類

2.垃圾廣告黃反識(shí)別

垃圾廣告過(guò)濾作為文本分類的一個(gè)場(chǎng)景有其特殊之處，那就是它作為一種防攻擊手段，會(huì)經(jīng)常面臨攻擊用戶采取許多變換手段來(lái)繞過(guò)檢查。

處理這些變換手段有多重方法：

?

• 一是對(duì)變形詞進(jìn)行識(shí)別還原，包括要處理間雜特殊符號(hào)，同音、簡(jiǎn)繁變換，和偏旁拆分、形近變換。

• 二是通過(guò)語(yǔ)言模型識(shí)別干擾文本，如果識(shí)別出文本是段不通順的「胡言亂語(yǔ)」，那么他很可能是一段用于規(guī)避關(guān)鍵字審查的垃圾文本。

• 三是通過(guò)計(jì)算主題和評(píng)論的相關(guān)度匹配來(lái)鑒別。

• 四是基于多種表達(dá)特征的分類器模型識(shí)別來(lái)提高分類的泛化能力。

3.情感分析

情感分析的處理辦法包括：

?

1）基于詞典的情感分析，主要是線設(shè)置情感詞典，然后基于規(guī)則匹配（情感詞對(duì)應(yīng)的權(quán)重進(jìn)行加權(quán)）來(lái)識(shí)別樣本是否是正負(fù)面。

2）基于機(jī)器學(xué)習(xí)的情感分析，主要是采取詞袋模型作為基礎(chǔ)特征，并且將復(fù)雜的情感處理規(guī)則命中的結(jié)果作為一維或者多維特征，以一種更為「柔性」的方法融合到情感分析中，擴(kuò)充我們的詞袋模型。

3）使用 dnn 模型來(lái)進(jìn)行文本分類，解決傳統(tǒng)詞袋模型難以處理長(zhǎng)距離依賴的缺點(diǎn)。

4.自然語(yǔ)言處理其他應(yīng)用

自然語(yǔ)言處理在達(dá)觀的其他一些應(yīng)用包括：

?

1）標(biāo)簽抽??；

2）觀點(diǎn)挖掘；

3）應(yīng)用于推薦系統(tǒng)；

4）應(yīng)用于搜索引擎。

標(biāo)簽抽取有多種方式：基于聚類的方法實(shí)現(xiàn)。此外，現(xiàn)在一些深度學(xué)習(xí)的算法，通過(guò)有監(jiān)督的手段實(shí)現(xiàn)標(biāo)簽抽取功能。

就觀點(diǎn)挖掘而言，舉例：床很破，睡得不好。我抽取的觀點(diǎn)是「床破」，其中涉及到語(yǔ)法句法分析，將有關(guān)聯(lián)成本提取出來(lái)。

搜索及推薦，使用到自然語(yǔ)言處理的地方也很多，如搜索引擎處理用戶查詢的糾錯(cuò)，就用到信道噪聲模型實(shí)行糾錯(cuò)處理。