NLP

NLP    
    1、NLP=NLU+NLG  语义理解  意思生成文本或者语义 
        NLU:语音/文本->意思    natural language understanding
        NLG：意思->文本/语音  natural language generation
    2、为什么NLP比别的更难？why NLP is harder （ie.than computer vision）
        cv即所见即所得。文本的语义很多有多层意思。
        NLP挑战：
            多种表达的方式      
            一词多义    ambiguity
                比如：
                    今天参观了苹果公司
                    现在正好是苹果的季节

    3、how to solve ambiguity?看到data，更新认知  上下文 context
        eg.
            Interest
                bank loan interest
                concern  fascination
                part ownership
    4、机器翻译  machine translation
        如果现在要写一个机器翻译系统，应该怎么实现？
            人工统计每个单词，提炼规则，一一单词匹配；
            缺点：慢   AI方法
                 语义
                 上下文
                 语法不对
                 规则统计，需要人工；
    5、如何解决语法不对
        eg.  今晚的课程有意思
            方式1：
                首先分词-->今晚   的   课程 有意思
                          Toninght  of course  interesting
                排列组合，列出所有的组合
                选择最优的句子，判断最合适的句子（用一个模型判断最合适的句子  Lm（XX）=0.9  LM(XX)=0.86） 这里的LM是语言模型 language  model
            缺点：排列组合，计算量太大
            Translation model->Language model    NP hard  时间复杂度是指数复杂度
            方式2：decoding 算法  vreXX算法   动态规划
                max(p(e|c))
                贝叶斯！！？？  p(e|c)=p(c|e)*p(c)/p(c)??朴素贝叶斯？


            语言模型（language model）：
                给定一句英文e，计算概率p(e)
                如果是符合英文语法的，p(e)会高
                如果是随机语句，p(e)会低
            翻译模型(translate model)：
                给定一对<c,e>，计算p(f|e)
                语义相似度高，则p(f|e)高
                语义相似度低，则p(f|e)低
            decoding algorithm
                给定语言模型，翻译模型和f，找出最优的使得p(e)p(f|e)最大