自然语言处理（一）：自然语言处理与文本分类简介

自然语言处理发展历程

从规则驱动到数据驱动的一个过程

• 1990年以前，基于规则的方法
  • 基于规则的方法
• 1990-2019，基于统计学的方法
  • 离散表示
  • 线性模型
• 2012——，基于深度学习的方法
  • 神经网络
  • 分布式表示
  • 非线性模型

自然语言处理的主要研究方向

文本分类概述

在NLP（自然语言处理）的很多子任务中，有绝大部分场景可以归结为文本分类，比如：

• 情感分析
• 领域识别
• 意图识别

文本分类的定义

在给定的分类体系中，将文本分到指定的某个或某几个类别中，分类对象分为短文本（句子/标题/商品评论）、长文本（文章）

分类体系一般由人工构造

• 新闻分类：政治、体育、军事、社会
• 情感分类：正能量、负能量
• 微博评论分类：好评、中评、差评

分类模式：

• binary：二分类问题，属于或不属于，positive or negative
• multi-class：多类问题
• multi-label：多标签问题，一个文本可以属于多类。多标签问题是文本分类的一大难点。

文本分类的方法

人工方法：

• 基于规则的特征匹配，容易理解（足球、联赛->体育）
• 依赖专家系统，不同任务需要构建不同规则，费时费力
• 准确率不高

机器学习方法：

• 特征工程+算法（Naive Bayes / SVM / LR/KNN）

深度学习方法：

• 词向量+模
• FastText
• TextCNN
• TextRNN
• TextRCNN
• DPCNN
• BERT

文本分类的流程

文本预处理：

• 文本去噪
• 文本分词（有必要需要去训练分词器）
• 去停用词
• 文本还原（同义词合并啊，do did dose合一啊）
• 文本消歧
• 文本替换

特征提取：

• 词频特征
• 次性特征
• 语法特征
• 主题特征
• N-Gram
• TFIDF特征

文本表示：

• 词袋模型
• One-Hot
• word2vec
• Glove
• EMLO
• Bert

分类模型：

• 机器学习
• 深度学习
• CNN
• RNN
• Attention
• GNN