NLP任务汇总简介与理解

1. 背景

NLP的四大任务如下：

1. 序列标注任务
2. 分类任务
3. 句子关系判断
4. 生成式任务

2. 序列标注任务

序列标注（Sequence labeling）是我们在解决NLP问题时经常遇到的基本问题之一。在序列标注中，我们想对一个序列的每一个元素标注一个标签。一般来说，一个序列指的是一个句子，而一个元素指的是句子中的一个词。比如信息提取问题可以认为是一个序列标注问题，如提取出会议时间、地点等。

序列标注一般可以分为两类：

• 原始标注（Raw labeling）：每个元素都需要被标注为一个标签。
• 联合标注（Joint segmentation and labeling）：所有的分段被标注为同样的标签。

命名实体识别（Named entity recognition， NER）是信息提取问题的一个子任务，需要将元素进行定位和分类，如人名、组织名、地点、时间、质量等。

举个NER和联合标注的例子。一个句子为：Yesterday , George Bush gave a speech. 其中包括一个命名实体：George Bush。我们希望将标签“人名”标注到整个短语“George Bush”中，而不是将两个词分别标注。这就是联合标注。

2.1 BIO标注

解决联合标注问题最简单的方法，就是将其转化为原始标注问题。标准做法就是使用BIO标注。

BIO标注：将每个元素标注为“B-X”、“I-X”或者“O”。其中，“B-X”表示此元素所在的片段属于X类型并且此元素在此片段的开头，“I-X”表示此元素所在的片段属于X类型并且此元素在此片段的中间位置，“O”表示不属于任何类型。

比如，我们将 X 表示为名词短语（Noun Phrase, NP），则BIO的三个标记为：

• B-NP：名词短语的开头；
• I-NP：名词短语的中间；
• O：不是名词短语；

因此可以将一段话划分为如下结果：

我们可以进一步将BIO应用到NER中，来定义所有的命名实体（人名、组织名、地点、时间等），那么我们会有许多 B 和 I 的类别，如 B-PERS、I-PERS、B-ORG、I-ORG等。然后可以得到以下结果：

2.2 序列标注常用模型

• Bi-LSTM：选择双向LSTM的原因是：当前词的tag和前后文都有关。
• Bi-LSTM+CRF: https://zhuanlan.zhihu.com/p/169719001

2.3 序列标注具体任务

（1）分词

• 输入：word + tag（I：in word；E：end of word）；
• 输出：tag of word，标签是E的后面加空格，就达到了分词的目的；

（2）词性标注（Part-of-Speech tagging ，POS tagging)

• 输入：word + tag （词性：动词、名词、形容词等）；
• 输出：词性；
• 模型：HMM也可以做

（3）命名实体标注（name entity recognition, NER）

• 输入：word + tag（B: begin of entity，I : inside of entity，o: outside of entity）；
• 输出：实体标注；

（4）词义角色标注 (semantic role labeling, SRL) ：

• 输入： word + 是不是谓语（B-Argo，I-Argo，BV ）；
• 输出：语义角色；

2. 分类任务

2.1 分类的具体任务

（1）文本分类、情感分类

• 模型：LSTM，属于 many- to - one 的问题，最后使用 Softmax输出分类结果；

3. 句子关系判断

3.1 具体任务

句法分析、蕴含关系判断（entailment）

• 模型：语法分析树，LSTM 来对每个edges 算得分，选择得分高的edges，限制是这些edges 必须组成一个树；
• 模型：RNNGs 也可以做

4. 生成式任务

这类任务一般直接面向普通用户，提供自然语言处理产品服务的系统级任务，会用到多个层面的自然语言处理技术。

（1）机器翻译（Machine Translation，MT）

Encoder-Decoder的最经典应用，事实上这一结构就是在机器翻译领域最先提出的。

（2）文本摘要、总结（Text summarization/Simplication）

输入是一段文本序列，输出是这段文本序列的摘要序列。

（3）阅读理解（Reading Comprehension）

将输入的文章和问题分别编码，再对其进行解码得到问题的答案。

（4）语音识别

输入是语音信号序列，输出是文字序列。

（5）对话系统（Dialogue Systerm）

输入的是一句话，输出是对这句话的回答。

（6）问答系统（Question-Answering Systerm）

针对用户提出的问题，系统给出相应的答案。

（7）自动文章分级（Automatic Essay Grading）

给定一篇文章，对文章的质量进行打分或分级。

5. 其他分类方法

NLP基本任务：

1. 词法分析（Lexical Analysis）：对自然语言进行词汇层面的分析，是NLP基础性工作

• 分词（Word Segmentation/Tokenization）：对没有明显边界的文本进行切分，得到词序列
• 新词发现（New Words Identification）：找出文本中具有新形势、新意义或是新用法的词
• 形态分析（Morphological Analysis）：分析单词的形态组成，包括词干（Sterms）、词根（Roots）、词缀（Prefixes and Suffixes）等
• 词性标注（Part-of-speech Tagging）：确定文本中每个词的词性。词性包括动词（Verb）、名词（Noun）、代词（pronoun）等
• 拼写校正（Spelling Correction）：找出拼写错误的词并进行纠正

2. 句子分析（Sentence Analysis）：对自然语言进行句子层面的分析，包括句法分析和其他句子级别的分析任务

• 组块分析（Chunking）：标出句子中的短语块，例如名词短语（NP），动词短语（VP）等
• 超级标签标注（Super Tagging）：给每个句子中的每个词标注上超级标签，超级标签是句法树中与该词相关的树形结构
• 成分句法分析（Constituency Parsing）：分析句子的成分，给出一棵树由终结符和非终结符构成的句法树
• 依存句法分析（Dependency Parsing）：分析句子中词与词之间的依存关系，给一棵由词语依存关系构成的依存句法树
• 语言模型（Language Modeling）：对给定的一个句子进行打分，该分数代表句子合理性（流畅度）的程度
• 语种识别（Language Identification）：给定一段文本，确定该文本属于哪个语种
• 句子边界检测（Sentence Boundary Detection）：给没有明显句子边界的文本加边界

3. 语义分析（Semantic Analysis）：对给定文本进行分析和理解，形成能勾够表达语义的形式化表示或分布式表示

• 词义消歧（Word Sense Disambiguation）：对有歧义的词，确定其准确的词义
• 语义角色标注（Semantic Role Labeling）：标注句子中的语义角色类标，语义角色，语义角色包括施事、受事、影响等
• 抽象语义表示分析（Abstract Meaning Representation Parsing）：AMR是一种抽象语义表示形式，AMR parser把句子解析成AMR结构
• 一阶谓词逻辑演算（First Order Predicate Calculus）：使用一阶谓词逻辑系统表达语义
• 框架语义分析（Frame Semantic Parsing）：根据框架语义学的观点，对句子进行语义分析
• 词汇/句子/段落的向量化表示（Word/Sentence/Paragraph Vector）：研究词汇、句子、段落的向量化方法，向量的性质和应用

4. 信息抽取（Information Extraction）：从无结构文本中抽取结构化的信息

• 命名实体识别（Named Entity Recognition）：从文本中识别出命名实体，实体一般包括人名、地名、机构名、时间、日期、货币、百分比等
• 实体消歧（Entity Disambiguation）：确定实体指代的现实世界中的对象
• 术语抽取（Terminology/Giossary Extraction）：从文本中确定术语
• 共指消解（Coreference Resolution）：确定不同实体的等价描述，包括代词消解和名词消解
• 关系抽取（Relationship Extraction）：确定文本中两个实体之间的关系类型
• 事件抽取（Event Extraction）：从无结构的文本中抽取结构化事件
• 情感分析（Sentiment Analysis）：对文本的主观性情绪进行提取
• 意图识别（Intent Detection）：对话系统中的一个重要模块，对用户给定的对话内容进行分析，识别用户意图
• 槽位填充（Slot Filling）：对话系统中的一个重要模块，从对话内容中分析出于用户意图相关的有效信息

5. 顶层任务（High-level Tasks）：直接面向普通用户，提供自然语言处理产品服务的系统级任务，会用到多个层面的自然语言处理技术

• 机器翻译（Machine Translation）：通过计算机自动化的把一种语言翻译成另外一种语言
• 文本摘要（Text summarization/Simplication）：对较长文本进行内容梗概的提取
• 问答系统（Question-Answering Systerm）：针对用户提出的问题，系统给出相应的答案
• 对话系统（Dialogue Systerm）：能够与用户进行聊天对话，从对话中捕获用户的意图，并分析执行
• 阅读理解（Reading Comprehension）：机器阅读完一篇文章后，给定一些文章相关问题，机器能够回答
• 自动文章分级（Automatic Essay Grading）：给定一篇文章，对文章的质量进行打分或分级