知识图谱用“实体-关系-实体”的三元组结构化存储世界知识。刘德华→配偶→朱丽倩，北京→首都→中国。它让机器能做逻辑推理，是搜索、推荐、问答背后的知识底座。 知识图谱的价值在于“连接”...

对话系统分两类：任务型（订机票、查天气）与开放域（闲聊）。任务型讲究准确完成目标，开放域讲究自然有趣。大模型的出现让两者的边界开始模糊。 对话系统最深的挑战是“上下文”：人说一句话...

实体消歧判断文本里的实体指哪一个：说“苹果”，是水果还是公司？它依赖于上下文、领域知识与常识，是知识图谱与信息抽取的关键难点。 实体消歧的困难暴露了语言的一个本质属性：词汇是有限的...

指代消解判断代词指向谁：“小王给了小李一本书，他很开心”，这个“他”是谁？人类凭语感能判断，机器要经过专门的建模。它是篇章理解的基础能力。 指代消解看似是个小问题，实则触及语言的核...

语料库是按特定标准收集的语言数据集合：维基百科语料、新闻语料、对话语料。没有大规模语料库，就没有统计 NLP 与深度学习 NLP 的今天。 语料库是语言学的“实验室”：关于语言的一切假设，都...

依存句法分析找出句子中词与词的修饰与被修饰关系，画出句子的“依存树”。主谓宾、定状补，机器用图结构表示它们，进而理解句子的深层结构。 依存树的美在于它揭示了语言的层级性：一句话不是...

Word2Vec 把每个词训练成一个低维向量，语义相近的词在向量空间里彼此靠近。它让“计算机理解语义”第一次变成了可计算的几何问题，是 NLP 进入深度学习时代的里程碑。 Word2Vec 最深远的贡献不...

GloVe 从全局词共现统计出发训练词向量，与 Word2Vec 的局部上下文思路互补。它曾是词向量的另一主流方案，在多项任务上与 Word2Vec 各有胜负。 Word2Vec 与 GloVe 的对比很像两种学习方式：一...

TF-IDF 用“词频 × 逆文档频率”衡量一个词对某篇文档的重要性：在本文出现得多（TF 高）、但在别的文档里少见（IDF 高），就是关键词。简单到不可思议，至今仍是文本分析的基石。 TF-IDF 的美...

文本分类给文档打标签：垃圾邮件识别、新闻分类、情感判断、意图识别。它是 NLP 最基础也应用最广的任务，几乎所有文本系统都从分类开始。 文本分类教会我们一个朴素的道理：分类是一切认知的起...

情感分析判断文本是正面、负面还是中性，广泛用于舆情监测、商品评价、品牌分析。它让企业第一次能“量化”用户的情绪。 情感分析最深刻的挑战在于：人类的情感表达充满言外之意。“你可真行”...

文本相似度计算两段文本在语义上有多接近。查重、搜索、推荐、客服路由，都建立在它之上。从字面匹配到语义匹配，是 NLP 进化的主线之一。 “相似”这个概念远比想象中复杂：王之涣的《登鹳雀楼...