本文整理自网络，主要是对自然语言处理能发展和落地的方向进行总结，也算是对自然语言处理常见任务的总结。
NLP的四大任务如下：
序列标注（Sequence labeling）是我们在解决NLP问题时经常遇到的基本问题之一。在序列标注中，我们想对一个序列的每一个元素标注一个标签。一般来说，一个序列指的是一个句子，而一个元素指的是句子中的一个词。比如信息提取问题可以认为是一个序列标注问题，如提取出会议时间、地点等。
序列标注一般可以分为两类：
命名实体识别（Named entity recognition， NER）是信息提取问题的一个子任务，需要将元素进行定位和分类，如人名、组织名、地点、时间、质量等。
举个NER和联合标注的例子。一个句子为：Yesterday , George Bush gave a speech. 其中包括一个命名实体：George Bush。我们希望将标签“人名”标注到整个短语“George Bush”中，而不是将两个词分别标注。这就是联合标注。
1.1 BIO标注
解决联合标注问题最简单的方法，就是将其转化为原始标注问题。标准做法就是使用BIO标注。
BIO标注：将每个元素标注为“B-X”、“I-X”或者“O”。其中，“B-X”表示此元素所在的片段属于X类型并且此元素在此片段的开头，“I-X”表示此元素所在的片段属于X类型并且此元素在此片段的中间位置，“O”表示不属于任何类型。
比如，我们将 X 表示为名词短语（Noun Phrase, NP），则BIO的三个标记为：
因此可以将一段话划分为如下结果：
我们可以进一步将BIO应用到NER中，来定义所有的命名实体（人名、组织名、地点、时间等），那么我们会有许多 B 和 I 的类别，如 B-PERS、I-PERS、B-ORG、I-ORG等。然后可以得到以下结果：
[图片上传失败...(image-b1cfb3-1609330627120)]
1.2 序列标注常用模型
选择双向LSTM的原因是：当前词的tag和前后文都有关。
1.3 序列标注具体任务
（1）分词
（2）词性标注（Part-of-Speech tagging ，POS tagging)
（3）命名实体标注（name entity recognition, NER）
2.1 分类的具体任务
（1）文本分类、情感分类
3.1 具体任务
（1）句法分析、蕴含关系判断（entailment）
这类任务一般直接面向普通用户，提供自然语言处理产品服务的系统级任务，会用到多个层面的自然语言处理技术。
4.1 具体任务
（1）机器翻译（Machine Translation，MT）
Encoder-Decoder的最经典应用，事实上这一结构就是在机器翻译领域最先提出的。
（2）文本摘要、总结（Text summarization/Simplication）
输入是一段文本序列，输出是这段文本序列的摘要序列。
（3）阅读理解（Reading Comprehension）
将输入的文章和问题分别编码，再对其进行解码得到问题的答案。
（4）语音识别
输入是语音信号序列，输出是文字序列。
（5）对话系统（Dialogue Systerm）
输入的是一句话，输出是对这句话的回答。
（6）问答系统（Question-Answering Systerm）
针对用户提出的问题，系统给出相应的答案。
（7）自动文章分级（Automatic Essay Grading）
给定一篇文章，对文章的质量进行打分或分级。
1. 词法分析（Lexical Analysis）：对自然语言进行词汇层面的分析，是NLP基础性工作
2. 句子分析（Sentence Analysis）：对自然语言进行句子层面的分析，包括句法分析和其他句子级别的分析任务
3. 语义分析（Semantic Analysis）：对给定文本进行分析和理解，形成能勾够表达语义的形式化表示或分布式表示
4. 信息抽取（Information Extraction）：从无结构文本中抽取结构化的信息
5. 顶层任务（High-level Tasks）：直接面向普通用户，提供自然语言处理产品服务的系统级任务，会用到多个层面的自然语言处理技术
【1】序列标注中的BIO标注介绍，地址： https://blog.csdn.net/HappyRocking/article/details/79716212
【2】 http://nlpers.blogspot.com.au/2006/11/getting-started-in-sequence-labeling.html
【3】NLP 四大任务，地址： https://www.dazhuanlan.com/2019/08/21/5d5ca1e2826b9/
【4】NLP基本任务，地址： https://blog.csdn.net/lz_peter/article/details/81588430
【5】微信研究员解析深度学习在NLP中的发展和应用，地址： https://edu.csdn.net/course/play/8673
【6】从Word Embedding到Bert模型—自然语言处理中的预训练技术发展史 - 张俊林的文章 - 知乎 https://zhuanlan.zhihu.com/p/49271699