首先，NLP的定义有很多，小编在这里将其定义为自然语言处理

NLP（自然语言处理）属于目前AI领域的一块重要分支，而自然语言处理的基础是分词，简单的来说，是将句子段落的每个词进行划分，在英文语境中是自带分词处理的（英文的空格键），在中文语境下，公认的分词方法是将所有词的状态值设置为(B, M, E, S)，按照开始字（B），中间字（M），结束字（E），单字成词（S）。例如我们将“小明硕士毕业于中国科学院计算所”这个句子，通过中文分词得到的结论是BE/BE/BME/BE/BME/BE/S，也就是小明/硕士/毕业于/中国/科学院/计算/所。

那么NLP的实际用处有哪些呢：

首先最实用的就是机器翻译问题，通过NLP，未来的机器翻译能力的准确度将越来越高，百度翻译目前已经在逐渐尝试NLP在机器翻译的可行性。其次是人机对话，通过NLP，机器和人的对话能变得更加的自然流畅，同时更加具有人性情感分析，通过更加简单的人机交流，机器未来将有能力实现情感分析，通过爬取网络上的大量数据，在进行清洗，最终将其进行情感分析，能够让我们有效的精准化进行某些行为。如果你是一名淘宝店主，通过爬取数据加以分析，能够得出的结论可以是，用户目前喜欢什么，为什么喜欢，未来会喜欢什么，竞争对手用户的忠诚度等一系列传统只能够人工识别的情感问题。

想要智能类产品真正听懂你在讲什么，那就一定离不开NLP技术。

在《AI时刻》第7期节目中有提到NLP技术。

NLP (Natural Language Processing 自然语言处理) 是人工智能（AI）的一个子领域。整个NLP领域大体分为三个不同的技术层面。第一个：闲聊（Chit Chat），第二个：问答（Q&A），第三个是面向任务型的NLP（Task Oriented）。

比如说一个用户跟机器人说，我觉得德国队是足球踢得最好的一个国家，非常不错。机器人看似给出了一个非常智能的，它说我觉得不对，应该是阿根廷。表面上看似聊得很好，事实上机器人其实根本不知道你说的话的意思，也并不知道自己在说什么。它只是前期对人类对话进行了大量的数据获取，通过统计学的规律来找到规律，发现对话人说了上面一句话的时候，把这些语言和词汇堆砌起来（拼到一起），最有可能是对A的一个回复，这是统计学上的一个大概率的能够满意回复它的这样的情形。但是这样是远远不够的。要想让机器人理解你所说的话，并且形成自己的逻辑思考，最终再去形成有效的沟通。这就要依托NLP技术的快速发展。

NLP研究背景

NLP到底是不是忽悠，我们首先要看NLP研究的目的在哪里。随着人工智能的发展，人类急需一种能够实现人机交互的方法。我们的世界大量充斥着没有结构化的数据，而是非结构化的数据，例如我们人类交流的话语，但是这些对于机器而言是无法理解的。NLP 的目标是让计算机／机器在理解语言上像人类一样智能。最终目标是弥补人类交流（自然语言）和计算机理解（机器语言）之间的差距[1]。所以自然语言处理（NLP）的研究显得尤为重要和迫切。

NLP研究成果

那么NLP现在的成果有哪些以及是否已经初步具备了实际应用所需的能力，这才是我们关注的，也就是它是否还在忽悠。下面简单列举几个NLP应用的领域：

文本分类（以fastText为例）

fastText是Facebook于2016年开源的一个词向量计算和文本分类工具，在文本分类任务中fastText（浅层网络）往往能取得和深度网络相媲美的精度，却在训练时间上比深度网络快许多数量级。在标准的多核CPU上， 能够在10分钟之内训练10亿词级别语料库的词向量，能够在1分钟之内分类有30多万类别的50多万条句子[2]。

情感分析

nlp不是忽悠，它是非常牛逼的技术，学好之后给人带来巨大的改变，只不过国内的老师不行，或者将nlp用在错误的方向，所以找到厉害的导师很关键，国内除了李中营，张国伟，安小明之外，其他基本上是半吊子出身，要学就跟他们学很不错！

通过NLP这三个字母的本意，你将会了解如何使用NLP的基本策略。N是指Neuro（神经，也被译为身心）。身心是指个人的身心状态与关系，我们可以通过改变身体来影响内心世界，也可以反过来通过内心的改变来影响我们的身体。

利用NLP,将可以提升你内心力量的方法，帮助你更好地掌控自己的人生。比如，很多人会说：“天气好心情好，天气不好心情就不好”，此时，天气决定了我们心情的好与坏；但如果略做思考：天气不好的时候，我如何也能心情好？当你从这一角度思考时，天气对你的影响就会大幅降低。这个简单的转换，在NLP的技巧中叫作“换框法”，在后面的章节中我会和你做更具体的分享。

不管什么NLP，都需要落地场景，我们用校园这个场景举例：

我们在校园落地大数据产品，大量使用了自然语言处理技术，在使用过程中发现越接近场景，算法就越需要优化来适应这个环境特点。一开始我们并没有在乎这些细节，因为网络上开放的“分词词库”，“情感词库”很多也很成熟，我们直接调用就可以得到不错的结果。直到有一天我们发现，我们的机器漏掉了非常多的关键词汇，而这些漏掉的才真正的重要，就像错过了才知道后悔一样。而且很多时候，我们的机器会犯下一些愚蠢错误，就像“A食堂比B食堂贵，所以我选择这家”，机器就无法理解到底选择的是哪家。

于是，我们潜下心来研究符合校园特点的自然语言处理技术，试图让机器更加智能，让它能够理解我们的语言，甚至捕获到我们”校园“这个语境下的“转意”和“情感”。我们一直向着这个方向努力，支撑这个发展的三种理论，即摩尔定律、深度学习和数学模型。而奠基所有这些的基础，就是我们常提到的“校园大数据”。

有了校园大数据，特别是言论数据，就有了言论模型，我们基于大量的数据，分析出特点，构建符合校园特征的词库用于分词，比如在校园中，考研与升学、挂科与不及格都可以看作是近义词，因为他们在纯数学算法中的距离更近。