怎么解决NLP中90%的问题?
这篇文章很有趣，文中为我们描述了一个典型的NLP任务场景，简单描述如下:
我们有一堆用户的数据，这些数据来源于用户在社交媒体发表的言论，
如何使用这些数据做一些有意义的事情呢？
比如，我们要做的事情是灾情检测。当灾情发生时，用户会在社交媒体
传播。但是，如果这灾情是来自于电影，用户发表的言论代表的是对电影
的评论。怎么做区分呢？
首先，我们要做的是收集数据。
其次，数据中有些部分我们并不想要。比如，你的任务是灾情预警，而句子
中包含“啊”、“哦”、“呵”、“嘿”这些成分，就需要清理出去。这一步叫做
数据清理。 再次，我们建立一个简单的模型，模型对于给定的句子，可以判断它是
属于影视评论呢还是现实中状况。一个典型的判别器是逻辑回归。更复杂地
建立一个神经网络模型。
最后，解释和理解模型，确保你的模型做你想要它完成的工作，而不是捕捉噪音。
针对特定的问题，我们需要收集特定的数据，然后应用已有的数据，建立模型，优化模型，解释模型…等等，我们还可以提出更多的问题来。比如说，我们 怎么表示数据，怎么显示数据，用什么算法来实现我们的意图，是分类，还是机器翻译，还是其它任务类型，我们似乎可以谈得很多，然而现实却是，我们 研究的问题除了与数据有关外，还有其它的细节等待被发掘。
神经网络是更复杂的模型，它分层，每一层都有连接，比较常见的有CNN、RNN。
- SGNS/cBoW、FastText、等ELMo（从词向量引出）
- DSSM、DecAtt、ESIM等（从问答&匹配引出）
- HAN、DPCNN等（从分类引出）
- BiDAF、DrQA、QANet等（从MRC引出）
- CoVe、InferSent等（从迁移引出）
- MM、N-shortest等（从分词引出）
- Bi-LSTM-CRF等（从NER引出）
- LDA等主题模型（从文本表示引出）
接下来详细介绍几种模型，在此之前，给自己提个问题，针对给定的模型，我们如何算得上是理解了模型了呢？
- 隐马尔可夫模型 (HMM)
隐马尔可夫模型相关资源 - 最大熵模型(MaxEnt)
- 条件随机场模型
神经网路
有一个我们无法忽视的模型，神经网络模型，相关的资料非常之多，进来也涌现了不少高水准之作，在看过这篇关于神经网络介绍的文章之后，你很难不理解它背后的工作逻辑。还有，此篇文章还推荐一个在网页编程的工作环境Repl.it
A Primer on Neural Network Models for Natural Language Processing 这篇文章讲解了在NLP系统中运用神经网络的方方面面。