其实这是老板让上交的一份总结，贴出来，欢迎朋友们批评指正。
最近看了一部分关于NLP的几篇论文，其中大部分为神经网络实现，
从基本的HMM算法实现，到LSTM实现，有很多方法可以用来处理NLP任务中的阅读、QA或者记忆功能。另外，Facebook给出了20个NLP任务，也有一些公认的测试数据集。目前很多网络的改进和优化，以及各个LSTM变种的目标都是去完成这20个任务。
目前看完的论文的各种做法中：
1) 基于门函数控制的LSTM处理，属于网络变种，
2) 对序列化后读入的每一个词进行答案分析，最终得出分值比较高的答案，根据词序列，每读入一个词，结合问题序列分析一次答案，
3) 使用外部记忆模块，根据测试结果，将记忆模块分块分级，记忆效果更好，能有效加速查询，
4) 有些使用RNN+DNN组合网络的方法，能够实现较好的效果，
5) 相对于其他变种，觉得GRU的效果更好，或者说他结合了门控制函数，用于控制信息记忆与遗忘，这种机制比较好，
6) 也有些方法中，引入了知识图谱，作为预处理信息，但是这里，在实际应用中如何解决知识图谱的自动构建和更新，以及知识冲突时的规避原则等，都没有解决方案，
7) 也有方案中，自定义规则，抽取简单句问题中的几种问题类型，进行分门别类，但是面对多级问题时规则一点儿作用没有，或者说需要完整的规则，几乎不可能实现，
8) 在网络中引入聚焦模式的话，能够根据输入序列使得与问题相关的部分序列更加突出，也就相当于划重点的含义，
9) 有的引入大规模记忆模型，但是觉得模型应该是有网络可以直接参考的短期记忆，也应该有大规模的长期记忆，
10) Facebook团队设计的端对端记忆网络模型中，构建了答案字典，可以用阈值限定精确匹配的标准，
11) 新的有效模型是循环聚焦模型，RNN+attention机制，
12) 有的使用了POS（part of speech）对输入语句进行语义解析，这个很难，但是具体效果上，或者从长期发展上看，不好说。目前已经有了较为准确进行语义解构的平台或者API，
一家之言，认识还不成熟，目前禁止转载，