自然语言处理 (Natural Language Processing, NLP) 是计算机科学与人工智能的一个分支，致力于研究和应用让计算机能够理解、解释、生成和处理人类语言的技术。NLP 结合了语言学、计算机科学、人工智能等多领域的知识，应用广泛，包括机器翻译、语音识别、文本分析、情感分析等。

核心任务和技术

1. 文本预处理

   • 分词 (Tokenization)：将文本分割成词或子词单位。市面上大模型按Token计费，就是按照这个分词为单位。
   • 词形还原 (Lemmatization) 与词干提取 (Stemming)：将单词还原到其基本形式。
   • 停用词过滤 (Stop Words Removal)：去除常见但无意义的词（如 "and", "the" 等）。
   • 词向量化 (Word Vectorization)：将文本表示成计算机可处理的数值形式，如词袋模型 (Bag-of-Words, BoW)、词嵌入 (Word Embeddings) 等。

2. 语言模型

   • n-gram 模型：基于固定长度的词序列（n-gram）预测词的概率。
   • 神经网络语言模型：使用深度学习模型，如 RNN、LSTM、Transformer 等来捕捉语言的复杂模式。
   • 预训练语言模型：如 BERT、GPT 等，通过在大规模文本数据上预训练，然后在特定任务上进行微调。

3. 文本分类

   • 情感分析 (Sentiment Analysis)：识别和分类文本中的情感，如正面、负面、中性。
   • 主题建模 (Topic Modeling)：发现文档集中隐藏的主题，例如 LDA (Latent Dirichlet Allocation)。
   • 垃圾邮件检测：判断邮件是否为垃圾邮件。

4. 信息提取

   • 命名实体识别 (Named Entity Recognition, NER)：识别文本中的实体，如人名、地名、组织等。
   • 关系抽取：识别实体间的关系。
   • 事件抽取：从文本中提取特定事件的信息。

5. 机器翻译

   • 统计机器翻译 (Statistical Machine Translation, SMT)：基于统计模型的翻译方法。
   • 神经机器翻译 (Neural Machine Translation, NMT)：基于神经网络的翻译方法，如 Seq2Seq、Transformer。

6. 生成任务

   • 文本生成：如文本摘要、自动写作、对话系统。
   • 图像描述生成：根据图像生成描述性文字。