1.什么是NLP
2.NLP领域的挑战
(1)同一个意思有多种表达方式
(2)一词多义(Ambiguity)
解决一词多义的问题方法：从数据中学习(结合上下文Context)
3.机器翻译系统的案例
上图的意思：根据表中的12对翻译结果，翻译所给出的一句话。
做法：给定语料库，在语料库中做统计，进行匹配(基于统计学)。
缺点：<1>慢 <2>上下文 <3>语义 <4>语法不对 <5>规则统计
4.机器翻译的常规步骤
<1>分词
<2>根据词典翻译成英文(获得broken english)，将这些词对应的所有的组合罗列出来。
<3>将第2步所得的英文文本输入到语言模型LM中，得到对应的概率。
上述方法第2步罗列所有可能的计算量特别大需要优化。
Viterbi算法：维特比算法是一个特殊但应用最广的动态规划算法(DP)
机器翻译框架总结：
5.语言模型
常用的语言模型：unigram、bigram、trigram
原理说明：利用马尔科夫假设对蓝色式子进行简化。
6.NLP的应用场景
<1>问答系统
<2>情感分析(Sentiment Analysis)
<3>机器翻译
<4>自动摘要
<5>聊天机器人
<6>信息抽取(Information extraction)
7.NLP的关键技术
(1)NLP技术的4个维度
(2)分词(word segmentation)
(3)词性分析
(4)命名实体识别(Named Entity Recogniton)
(5)句法分析
(6)依存分析
(7)关系抽取
