大家好，我简单介绍一下本人在NLP领域的见闻，做个笑料！
NLP领域目前发展没有CV方向那么壮大！其原因，根据本人的所见所闻，在于当下工业界基于CV有较多的市场吧！例如，医学检测，人脸识别，异常检测，生产质量检测，生态质量检测等。然而，NLP可以落地的应用中，能塞满腰包的也就搜广推了！疫情之下，各厂缩减成本，没有绩效且成本又高的产线成为了首选被砍的目标。这年头，能有个班上，像牲口一样活着，就好过所有了。尽管如此，NLP的发展也在起起伏伏中不断向前发展。
NLP的发展一波三折。第一折，基于规则。第二折，基于统计学习方法。第三折，基于神经网络。
NLP领域涉及的知识点总结。
首先是数学，线性代数，微积分，概率论。
其次是数据结构与算法，排序搜索链栈堆，树图队列散列类，python, C++, java。
第三是机器学习，KNN，Perceptron, DT, LR，最大熵，AdaBoost, 朴素贝叶斯，HMM，CRF，EM，SVD，PCA，LSA，PLSA，LDA，MCMC，Pagerank，XGBoost, GBDT, FM, FFM等
第四是深度学习，MLP，CNN，RNN，LSTM，BiLSTM-CRF，EncoderDecoder(seq2seq)，自动编码器等。
第五是自然语言处理，分词，fasttext, GloVe, ELMo, 词性标注，词法分析，句法分析，段落分析，篇章分析，语用分析，命名实体识别，实体抽取，实体链接，关系抽取，相似度检测，文本表示，文本分类，文本聚类，情感识别，观点挖掘，信息检索，自动摘要，自然语言理解，意图是别，槽位填充，对话管理，对话状态追踪，对话策略学习，文本生成，pytorch, tensorflow, NLTK, spacy等。
第六是知识图谱，知识表示与存储，知识推理，知识融合，基于知识图谱作问答，Neo4j, MySQL。
第七是transformer系列，attention, BERT, ALBERT, GPT, RoBERTa, distillBERT, XLNet, ResNet, YOLO2等等。
第八是大数据，spark, hadoop, hive, docker。
最后，还有多模态，多语言，少资源，零资源，提示，强化，联邦，对抗，元以及迁移学习等内容。
对未来的展望：
1. 规范化的语料库以及知识图谱会越来越完备。
2. 基于多模态，图(微表情)+音+文字的稠密向量表示预训练模型成为感知主流，基于知识图谱的符号逻辑推理会成为认知主流。
3. 未来NLP还会有更多的起伏，必然能成为AI领域最亮的那颗星。
NLP领域目前发展没有CV方向那么壮大！其原因，根据本人的所见所闻，在于当下工业界基于CV有较多的市场吧！例如，医学检测，人脸识别，异常检测，生产质量检测，生态质量检测等。然而，NLP可以落地的应用中，能塞满腰包的也就搜广推了！疫情之下，各厂缩减成本，没有绩效且成本又高的产线成为了首选被砍的目标。这年头，能有个班上，像牲口一样活着，就好过所有了。尽管如此，NLP的发展也在起起伏伏中不断向前发展。
NLP的发展一波三折。第一折，基于规则。第二折，基于统计学习方法。第三折，基于神经网络。
NLP领域涉及的知识点总结。
首先是数学，线性代数，微积分，概率论。
其次是数据结构与算法，排序搜索链栈堆，树图队列散列类，python, C++, java。
第三是机器学习，KNN，Perceptron, DT, LR，最大熵，AdaBoost, 朴素贝叶斯，HMM，CRF，EM，SVD，PCA，LSA，PLSA，LDA，MCMC，Pagerank，XGBoost, GBDT, FM, FFM等
第四是深度学习，MLP，CNN，RNN，LSTM，BiLSTM-CRF，EncoderDecoder(seq2seq)，自动编码器等。
第五是自然语言处理，分词，fasttext, GloVe, ELMo, 词性标注，词法分析，句法分析，段落分析，篇章分析，语用分析，命名实体识别，实体抽取，实体链接，关系抽取，相似度检测，文本表示，文本分类，文本聚类，情感识别，观点挖掘，信息检索，自动摘要，自然语言理解，意图是别，槽位填充，对话管理，对话状态追踪，对话策略学习，文本生成，pytorch, tensorflow, NLTK, spacy等。
第六是知识图谱，知识表示与存储，知识推理，知识融合，基于知识图谱作问答，Neo4j, MySQL。
第七是transformer系列，attention, BERT, ALBERT, GPT, RoBERTa, distillBERT, XLNet, ResNet, YOLO2等等。
第八是大数据，spark, hadoop, hive, docker。
最后，还有多模态，多语言，少资源，零资源，提示，强化，联邦，对抗，元以及迁移学习等内容。
对未来的展望：
1. 规范化的语料库以及知识图谱会越来越完备。
2. 基于多模态，图(微表情)+音+文字的稠密向量表示预训练模型成为感知主流，基于知识图谱的符号逻辑推理会成为认知主流。
3. 未来NLP还会有更多的起伏，必然能成为AI领域最亮的那颗星。
