 自然语言处理概述 ◼ 什么是自然语言处理 ◼ 自然语言处理的典型应用 ◼ 自然语言处理的基本任务 ◼ 自然语言处理的基本策略和实现方法 ◼ 自然语言处理的难点 ◼ 自然语言处理所涉及的学科  基于规则（知识工程）的传统自然语言处理方法（理性方法） ◼ 基于词典和规则的形态还原（英语）、词性标注以及分词（汉语、日语） ◼ 基于CFG（上下文无关文法）和扩充的CFG（复杂特征集、合一运算）的句法分析 ◼ 基于逻辑形式和格语法的句义分析 ◼ 基于规则的机器翻译

自然语言处理概述 自然语言处理的挑战 自然语言处理的应用 自然语言处理实战

 自然语言处理概述 ◼ 什么是自然语言处理 ◼ 自然语言处理的典型应用 ◼ 自然语言处理的基本任务 ◼ 自然语言处理的基本策略和实现方法 ◼ 自然语言处理的难点 ◼ 自然语言处理所涉及的学科  基于规则（知识工程）的自然语言处理方法（理性方法，传统方法） ◼ 基于词典和规则的形态还原（英语）、词性标注以及分词（汉语、日语） ◼ 基于CFG（上下文无关文法）和扩充的CFG（复杂特征集、合一运算）的句法分析 ◼ 基于逻辑形式和格语法的句义分析 ◼ 基于规则的机器翻译  基于语料库（数据）的自然语言处理方法（经验方法） ◼ 语言模型（N元文法） ◼ 分词、词性标注（序列化标注模型） ◼ 句法分析（概率上下文无关模型、移进-规约分析器） ◼ 文本分类（朴素贝叶斯模型、最大熵模型） ◼ 情感分析 ◼ 机器翻译 (IBM Model等) ◼ ......（基于神经网络的深度学习方法）

什么是自然语言处理 机器翻译（Machine Translation） 信息抽取的结果 自然语言处理所涉及的学科 基于规则的自然语言处理方法（理性方法，传统方法） 形态还原算法 基于规则的歧义字段消歧方法 句法分析——组成分分析 自底向上句法分析 句法分析与逻辑程序设计 增加句法符号和规则带来的问题 合一文法 语义组合 机器翻译

谷歌的人工智能系统（AlphaGo）在围棋领域取得了一系列成功，使得深度强化学习得到越来越多的关注。深度强化学习融合了深度学习对复杂环境的感知能力和强化学习对复杂情景的决策能力。而自然语言处理过程中有着数量巨大的词汇或者语句需要表征，并且在对话系统、机器翻译和图像描述等文本生成任务中存在大量难以建模的决策问题。这使得深度强化学习在自然语言处理的文本生成任务中能够发挥重要的作用，帮助改进现有的模型结构或者训练机制，并且已经取得了很多显著的成果。为此，本文系统阐述深度强化学习应用在不同的文本生成任务中的一些主要方法，梳理其发展的轨迹，分析算法特点。最后，展望深度强化学习与自然语言处理任务融合的前景和挑战

7.1 汉语自动分词中的基本问题 7.2 基本分词方法 7.3 未登录词处理方法概述 7.4 基于多特征的命名实体识别模型 7.5 词性标注 7.6 词性标注的一致性检查与自动校对 7.7 汉语分词与词性标注系统评测

【自然语言处理与理解】基于Chunk-CRF的情感问答研究

【学术论文 - 自然语言处理与理解】一种基于Homogeneity的文本检测新方法

北京邮电大学：基于语用的自然语言处理研究与应用初探

【自然语言处理与理解】基于滑动倒谱的自动语言辨识