it技術(shù)公司都比較注重，上大神有介紹好多優(yōu)秀的開源框架。個人認為，nlp已經(jīng)精細了很多it技術(shù)公司，模型也越來越復(fù)雜，有一點計算機視覺的意思。

目前的許多問題（機制、數(shù)量、輸入數(shù)據(jù)復(fù)雜度、、深度學習模型的不平衡問題等）都是解決常見的nlp問題的模型。

這類就是以前計算機視覺常用的框架，nlp在用的方法，或者是用于text生成的詞向量。graph這些是nlp常用的算法，可以是深度學習的，也可以用傳統(tǒng)的模型。深度學習經(jīng)常被詬病是做不了大規(guī)模的問題，有時效性，或者表達能力不夠，所以很大程度上取決于數(shù)據(jù)。其實深度學習還是用在文本預(yù)處理上的。

在我的領(lǐng)域就是和的提取。用更專業(yè)一點的詞，可以是用，。yolo系列都可以拿出來用。

/,/,,nlp

如果不涉及文本分類和命名實體識別的話，主要針對,pos等分詞，轉(zhuǎn)換，找關(guān)鍵詞，同時有很多任務(wù)會涉及在計算機圖形學里的。

是nlp近些年最火的算法之一。又分為和兩種方式。對于有監(jiān)督的文本分類，其中利用一個，很多nlp模型都能很好適用。具體看[1],[2]。對于無監(jiān)督的方式，如tf-idf,用的就是中it技術(shù)公司，計算表示如或bfs，tf-idf損失函數(shù)，一般svd或lsh就能解決。

至于深度學習模型、和，主要還是看文章。nlp研究已經(jīng)進入人工智能的前沿。可以參考,,等老師的文章。ps:即使是用tf-idf，依然是具有大量sql取數(shù)，文本檢索等工作量。

你需要先回答一下兩個問題:1.nlp的任務(wù)和深度學習的任務(wù)是否重合2.深度學習模型學習的維度和傳統(tǒng)或者學習的維度是否重合其次給出具體的算法:傳統(tǒng)nlp常用的是self-ns[1][2]，目前還有一些nlp推薦系統(tǒng)用這個方法。

這個方法的優(yōu)點是簡單便捷，近些年由于[3]的發(fā)展，nlp中的語言建模任務(wù)變得比以前更復(fù)雜了。[4]主要解決在-[5]。由于做這個要大量數(shù)。