随着科技的进步，工业已经朝着自动化和智能化的方向发展。在这方面，人工智能和机器学习发挥了至关重要的作用。自然语言处理（NLP）是计算机科学和语言学的一个领域，专注于处理自然语言的方法。那么，在自然语言处理中，Finite state machine [FSM] 和 Push down Automata 哪个更可靠、更高效？
问问题
894 次
2 回答
2
尽管有很多技术可以做 NLP，但最先进的方法是使用深度学习。使用深度学习技术在 NLP 中显示了许多重大改进。之所以发生这种情况，是因为可以以低成本获得巨大的处理能力。如果您想阅读 NLP 领域或任何其他研究领域中使用的尖端技术，请访问谷歌学者 ( https://scholar.google.com/ )。
于 2020-04-13T12:45:08.077 回答
1
您想问的真正问题似乎是：“自然语言处理中有哪些有效的技术？” 但我会先解决你的问题。
首先，FSA（有限状态自动机）和 PDA（下推自动机）都不足以对语言进行建模。FSA 可以处理常规语言。然而，他们甚至不能回答一个词是否是回文的问题。PDA 功能稍强一些，可以回答此类问题。图灵机提供通用计算，可用于编写任意复杂度的程序。
现在开始弥合这一差距。自然语言不是常规语言。因此，它们无法由 FSA 处理。一些上下文无关文法，例如 LR(k) 文法，由 PDA 处理，但是自然人类语言不是上下文无关的。举个例子。以下三种说法。“吉尔在接孩子之前开车去杂货店见她的朋友莎莉。莎莉买了三盒麦片。然后她开车去学校。” 虽然这是一种糟糕的语法，但它是“自然的”，因为它们是人们发出的话语，并且它们通常可以被其他人解析。第三句中代词“她”的先行词显然是指吉尔，因为她是有孩子的人。然而，它是模棱两可的，我们必须推断出这种关联。
自然人类语言中上下文的歧义量使得无法确定性地解析。相反，我们转向统计和决策理论领域，以推断最大可能的通信模型。
与基于规则的经典对应物相比，语音和写作中的局部性但非确定性是使机器学习技术（例如深度递归神经网络的利用）如此有效的原因之一。
虽然神经网络这个术语有点用词不当，因为从神经学的角度来看，人脑最终远比这些基本模型复杂得多，但通过近似推理进行的一般学习表面上接近现实。我们最好将这些方法称为“可微计算”，但这是另一次题外话了。
总之。您实际提出的问题的答案是 PDA 将产生比 FSA 更好的模型，但与基本的统计方法相比，两者都绝对毫无价值。
如果您对 NLP 感到好奇，我实际上会推荐机器学习课程和深度学习后续课程。
Andrew Ng 有一系列针对初学者的优秀课程。在那之后，我会在 Tensorflow 中跟进 Sirajs 的深度学习课程。
于 2018-01-26T19:29:11.843 回答