不一定，但最好是摘要里面的
您好，根据您的要求，以下是刘勰时序论文的题目：1.时序分析在社会网络分析中的应用2.时序分析在虚拟社会中的应用3.时序分析在智能家居中的应用4.时序分析在智能交通系统中的应用5.时序分析在智能医疗系统中的应用6.时序分析在智能安全系统中的应用7.时序分析在自然语言处理中的应用8.时序分析在智能商业系统中的应用9.时序分析在智能制造系统中的应用10.时序分析在智能环境监测系统中的应用
据学术堂了解，关键词是论文中的文献检索标识，是表达文献主题概念的自然语言词汇。论文的关键词是从其题名、层次标题和正文中选出来的，能反映论文主题概念的词或词组。
刘勰时序论文的题目包括：《基于非线性时序分类的全局特征选择方法》、《基于重叠时间序列模型的心电图分类》、《时序数据分类中的哈希映射》、《基于时序检测器的行为表征识别》、《基于最小距离聚类-支持向量机方法的时序数据分类》。
自然语言处理（概念）简介自然语言（略缩为NL)指的是任何自然而然为人类所使用的语言，而非任何人造的或合成的语言，例如程序设计语言。自然语言处理（略缩为NLP),是所有试图用电脑处理自然语言的适合描述。[1]自然语言处理包括：语音合成：虽然这乍看起来不是很高端（的科技），但其实合成听起来自然的语音需要很复杂的技术并在一定程度上‘理解’在说的话，这样才能确保比如说，正确的语调。语音识别：基本上就是将持续不断的声波转换成独立的词语。自然语言理解：在这里将独立的词语（书面文件或者从语音识别得来的资料）进行处理并赋予意思。这可能会涉及完全模型系统或者‘前端’，以自然语言命令带动其他程序。自然语言生成：针对不可预测的输入问题生成恰当的的自然语言回答。补充：在自然语言处理中使用数字计算机的想法已经算旧（概念）了，这可能是因为二战时期军用解码就是计算机的应用之一。有些计算机专家甚至曾认为（其他语言）例如俄文，不过是换了一组代码的英文而已。这样想的话，因为代码可以被解开，那么俄文也可以（被翻译）。这个想法假设不论这些自然语言表面如何变化，他们都有一个共同的‘语义基’。（对此）语言学家有压倒性的共识，那就是这根本是不正确的。在程序编制器和编程语言通译器的形式下，由早期开始，‘人工语言处理’是就数字计算机的成功中不可或缺的重要部分。此成就无疑鼓励了人们进入自然语言处理的研究（领域），并同时提倡积极乐观的研究态度。
自然语言处理领域的相关内容，我明白的
title: 自然语言处理综述 date: 2021-11-18 11:03:11 自然语言是指人类日常使用的语言，比如：中文、英语、日语等。自然语言灵活多变，是人类社会的重要组成部分，但它却不能被计算机很好地理解。为了实现用自然语言在人与计算机之间进行沟通，自然语言处理诞生了。自然语言处理(Natural Language Processing, NLP)是一个融合了语言学、计算机科学、数学等学科的领域，它不仅研究语言学，更研究如何让计算机处理这些语言。它主要分为两大方向：自然语言理解(Natural language Understanding, NLU)和自然语言生成(Natural language Generation, NLG)，前者是听读，后者是说写。 本文将从自然语言处理的历史与发展讲起，进而分析目前深度学习在自然语言处理领域的研究进展，最后讨论自然语言处理的未来发展方向。 1950年，计算机科学之父图灵提出了“图灵测试”，标志着人工智能领域的开端。而此时，正值苏美冷战，美国政府为了更方便地破译苏联相关文件，大力投入机器翻译的研究，自然语言处理从此兴起。从这之后的一段时期内，自然语言处理主要采用基于规则的方法，这种方法依赖于语言学，它通过分析词法、语法等信息，总结这些信息之间的规则，从而达到翻译的效果。这种类似于专家系统的方法，泛化性差、不便于优化，最终进展缓慢，未能达到预期效果。 到了20世纪80、90年代，互联网飞速发展，计算机硬件也有了显著提升。同时，自然语言处理引入了统计机器学习算法，基于规则的方法逐渐被基于统计的方法所取代。在这一阶段，自然语言处理取得了实质性突破，并走向了实际应用。 而从2008年左右开始，随着深度学习神经网络在图像处理、语音识别等领域取得了显著的成果，它也开始被应用到自然语言处理领域。从最开始的词嵌入、word2vec，到RNN、GRU、LSTM等神经网络模型，再到最近的注意力机制、预训练语言模型等等。伴随着深度学习的加持，自然语言处理也迎来了突飞猛进。 接下来，我将介绍自然语言处理与深度学习结合后的相关进展。 在自然语言中，词是最基本的单元。为了让计算机理解并处理自然语言，我们首先就要对词进行编码。由于自然语言中词的数量是有限的，那就可以对每个词指定一个唯一序号，比如：英文单词word的序号可以是1156。而为了方便计算，通常会将序号转换成统一的向量。简单做法是对单词序号进行one-hot编码，每个单词都对应一个长度为N（单词总数）的向量（一维数组），向量中只有该单词序号对应位置的元素值为1，其它都为0。 虽然使用one-hot编码构造词向量十分容易，但并不是一个较好的方法。主要原因是无法很好地表示词的语义，比如苹果和橘子是相似单词（都是水果），但one-hot向量就无法体现这种相似关系。 为了解决上述问题，Google的Mikolov等人于2013年发表了两篇与word2vec相关的原始论文[1][2]。word2vec将词表示成一个定长的向量，并通过上下文学习词的语义信息，使得这些向量能表达词特征、词之间关系等语义信息。word2vec包含两个模型：跳字模型（Skip-gram）[1] 和连续词袋模型（continuous bag of words，CBOW）[2]，它们的作用分别是：通过某个中心词预测上下文、通过上下文预测某个中心词。比如，有一句话"I drink apple juice"，Skip-gram模型是用apple预测其它词，CBOW模型则是用其它词预测出apple。 首先介绍CBOW模型，它是一个三层神经网络，通过上下文预测中心词。以某个训练数据"I drink apple juice"为例，可以把apple作为标签值先剔除，将"I drink juice"作为输入，apple作为待预测的中心词。 Skip-gram模型与CBOW类似，也是一个三层神经网络模型。不同在于，它是通过中心词预测上下文，即通过"apple"预测出"I drink juice"。接下来简单介绍Skip-gram模型中各层： 两种模型训练结束后，会取 作为词向量矩阵，第i行就代表词库中第i个词的词向量。词向量可用来计算词之间的相似度（词向量点乘）。比如，输入 I drink _ juice 上下文，预测出中心词为apple、orange的概率可能都很高，原因就是在 中apple和orange对应的词向量十分相似，即相似度高。词向量还可以用于机器翻译、命名实体识别、关系抽取等等。 其实这两种模型的原型在2003年就已出现[3]，而Mikolov在13年的论文中主要是简化了模型，且提出了负采样与层序softmax方法，使得训练更加高效。 词向量提出的同时，深度学习RNN框架也被应用到NLP中，并结合词向量取得了巨大成效。但是，RNN网络也存在一些问题，比如：难以并行化、难以建立长距离和层级化的依赖关系。而这些问题都在2017年发表的论文《Attention Is All You Need》[4]中得到有效解决。正是在这篇论文中，提出了Transformer模型。Transformer中抛弃了传统的复杂的CNN和RNN，整个网络结构完全由注意力机制组成。 Transformer最核心的内容是自注意力机制(Self-Attention)，它是注意力机制(Attention)的变体。注意力的作用是从大量信息中筛选出少量重要信息，并聚焦在这些信息上，比如：人在看一幅图像时，会重点关注较为吸引的部分，而忽略其它信息，这就是注意力的体现。但注意力机制会关注全局信息，即关注输入数据与输出数据以及中间产物的相关性。而自注意力机制则减少了对外部其它数据的关注，只关注输入数据本身，更擅长捕捉数据内部的相关性。 自注意力机制的算法过程如下： 自注意力机制不仅建立了输入数据中词与词之间的关系，还能并行地高效地计算出每个词的输出。 Transformer的总体架构如下： 它分为两部分：编码器（Encoder）和解码器（Decoder）。 编码器的输入是词向量加上位置编码（表明这个词是在哪个位置），再通过多头自注意力操作（Multi-Head Attention）、全连接网络（Feed Forward）两部分得到输出。其中，多头自注意力就是输入的每个词对应多组q、k、v，每组之间互不影响，最终每个词产生多个输出b值，组成一个向量。编码器是transformer的核心，它通常会有多层，前一层的输出会作为下一层的输入，最后一层的输出会作为解码器的一部分输入。 解码器包含两个不同的多头自注意力操作（Masked Multi-Head Attention和Multi-Head Attention）、全连接网络（Feed Forward）三部分。解码器会运行多次，每次只输出一个单词，直到输出完整的目标文本。已输出的部分会组合起来，作为下一次解码器的输入。其中，Masked Multi-Head Attention是将输入中未得到的部分遮掩起来，再进行多头自注意力操作。比如原有5个输入，但某次只有2个输入，那么q1和q2只会与k1、k2相乘，。 如果深度学习的应用，让NLP有了第一次飞跃。那预训练模型的出现，让NLP有了第二次的飞跃。预训练通过自监督学习（不需要标注）从大规模语料数据中学习出一个强大的语言模型，再通过微调迁移到具体任务，最终达成显著效果。 预训练模型的优势如下： 预训练模型的关键技术有三个： 关于预训练模型的架构，以Bert为例：输入是词的one-hot编码向量，乘上词向量矩阵后，再经过多层transformer中的Encoder模块，最终得到输出。 本文介绍了NLP领域的流行研究进展，其中transformer和预训练模型的出现，具有划时代的意义。但随着预训练模型越来越庞大，也将触及硬件瓶颈。另外，NLP在一些阅读理解、文本推理等任务上的表示，也差强人意。总而言之，NLP领域依旧存在着巨大的前景与挑战，仍然需要大家的长期努力。 [1]Mikolov, T., Sutskever, I., Chen, K., Corrado, G. S., & Dean, J. (2013). Distributed representations of words and phrases and their compositionality. In Advances in neural information processing systems (pp. 3111-3119). [2]Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient estimation of word representations in vector space. arXiv preprint arXiv:. [3]Yoshua Bengio, R´ejean Ducharme, Pascal Vincent, and Christian Janvin. A neural probabilistic language model. The Journal of Machine Learning Research, 3:1137–1155, 2003. [4]Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]//Advances in neural information processing systems. 2017: 5998-6008. [5]Peters M E, Neumann M, Iyyer M, et al. Deep contextualized word representations[J]. arXiv preprint arXiv:, 2018. [6]Radford A, Narasimhan K, Salimans T, et al. Improving language understanding by generative pre-training[J]. 2018. [7]Devlin J, Chang M W, Lee K, et al. Bert: Pre-training of deep bidirectional transformers for language understanding[J]. arXiv preprint arXiv:, 2018. [8]Houlsby N, Giurgiu A, Jastrzebski S, et al. Parameter-efficient transfer learning for NLP[C]//International Conference on Machine Learning. PMLR, 2019: 2790-2799.
在自然语言处理的领域内有乐观与悲观的周期性存在（我们现在大概是出于乐观期）；虽然（技术上）真的有一些进步，但是达到一个全面自然语言处理系统的目标仍然遥不可及。（这里我没有用elusive的直译，难以捉摸，因为放进中文里会很怪，没有人说目标难以捉摸。）历史上，计算机专家有时对于自然语言处理（的挑战性）过于乐观，其原因很可能就是以上提到的（周期性）。因此从一开始就清楚这个（自然语言处理）的难度的原因是很重要的。同时，了解自然语言之间的不同也是很重要的一点。相对于其他自然语言来说，更多的研究重点放在了英文上，主要是因为美国研究者（在这个领域里）的重要性，尽管日本和欧洲也有很积极的研究学者。可是，在某一方面来讲，英文不是一个具有代表性的语言：它没有音调变化，并且严重依赖单词顺序。教课书和其他英文版的（自然语言处理）启蒙书籍几乎没有包括任何有关（与英语有）不同语法结构的语言的自然语言处理的合适论述。我们可以区别起码三个完全不同的自然语言处理级别：声音语法语义每一个都可以被再分为两到三个亚级别，但这不是本文的重点。在这个简介里我想要做的是阐明在处理每个级别中会遇到的一些问题。这里有以英文为母语的南英格兰人说的三个词：输入，纳入，收入(input, intake, income)；（请大家）思考这三个词。很显然的，三个词都有相同语义的元素。输入，指的是把什么东西放进去；抽水机的纳入指的是水被抽进去的地方，你的收入指的是你赚的钱（就是进你口袋的钱）。三个词中的in元素（在指定说话人的情况下）都发一样的音吗？如果注意听的话就会发现并不是这样。Input 这个词在发音的时候听起来像是拼法是imput的词，而intake听起来就和它的拼法一样。 如果我们用N代表English 里边ng的发音，那么Income就有点iNcome的感觉。我特地点出了说话者是从南英格兰来的本土人，因为很多苏格兰人说英文的时候都没有这种习惯，就像所有其他英文母语者在慢慢地富有感情的说这三个词的时候一样，他们都会将in的发音发成和它拼法一样。有趣的是，不论在他们自己或是其他人的言语中，以英文为母语者通常都不会注意到这些差别。这不是因为他们没办法分辨m ,n ,N 这三种发音。Rum, Run, Rung这三个词就只有m, n, N这三个发音处不同而已，所有英文母语者都可以很好的区别它们。
有乐观和悲观的周期在领域的NLP (我们当前可能到在一个更加乐观的阶段之内); 虽然一些非常真正的前进被做了，一个一般NLP系统的目标依然是逃避。 历史上，计算机学家经常是远太过于乐观关于NLP，大概着名的某些的原因以上。 是确切正确地从外边因而是重要的任务为什么是困难的。 It也是重要注意到，有自然语言之间的区别。 由于美国研究员的重要性更多工作在英语大概被完成了比在其他语言，主要，虽然有非常活跃工作者在欧洲和日本。 然而，因为它使用少量变化并且沉重依靠词序，英语在一些方面是一种非典型语言。 用英语和其他介绍来源写的课本很少包含关于语言的NLP的充分讨论与明显不同的语法结构。 We可能区别至少三个分明‘水平’在处理NL ： Sounds Grammar Meaning Each可以被划分成两个或多个分段，不需要有关我们这里。 什么我在这简要的介绍想要做是说明某些在处理每个水平的问题。 Consider这三个词，讲话由从英国的南部的一个当地讲英语者： 输入，入口，收入。 是确切全部三个词包含元素与同一个意思。 要输入是投入某事; 水泵的入口是水被采取的地方; 您的收入是您赢得，即进来的金钱。 Is元素在发音了同样在所有三个词(由指定的报告人) ？ 仔细听表示，它不是。 词输入是显著的，好象被拼写的imput，而入口发音如被拼写。 如果我们让声音通常被拼写的ng的N立场用英语(即在词象唱歌或歌手)，则收入是 因为苏格兰语英语许多报告人这样，不表现I指定了从英国的南部的当地讲英语者; 反而他们一贯地发音所有三个词的第一个元素，当它被拼写，即作为(象可以所有讲英语者，当慢慢地和强调地讲话)时。 Interestingly，讲英语者对这些区别通常是相当未察觉的，在他们自己的讲话和其他的讲话上。 这不是，因为他们不可能区别在三声音m、n和N.之间。 三个词兰姆酒、奔跑和阶在这三声音仅不同并且是相当分明的对所有当地讲英语者。
介绍自然语言处理 一个自然语言' （荷兰）是任何自然语言使用的人，即不是一种人为的或人为的语言，如一种编程语言。 '自然语言处理' （自由党）是一个方便的描述，所有企图利用计算机来处理自然语言。 [ 1 ]的NLP包括： 语音合成：虽然这可能不是乍一看似乎很'聪明' ，合成的自然冠冕堂皇的讲话，是在技术上复杂，几乎肯定需要一些理解，什么是口语，以确保举例来说，正确的语调。 语音识别：基本上是连续减少声波分立的话。 自然语言理解：这里当作从孤立的话（无论是书面或决心通过语音识别）的'意义' 。这可能涉及完整的模型系统或'前端' ，带动其它项目由荷兰命令。 自然语言生成：荷兰创造适当的反应不可预测的投入。 问题补充：这个想法的使用数字电脑的NLP是'旧' ，这可能是因为第一个利用计算机，打破军事守则在第二次世界大战中。一些计算机科学家似乎都认为，俄罗斯（例如）是英语在不同的代码。在这种情况下，因为代码可以被打破，因此可以俄文。这种想法假设有一个共同'的含义基地'的所有自然语言，无论其表面的分歧。压倒一切的共识，语言学家是，这是不正确的。 人工语言处理'的形式，编译器和口译编程语言，是一个关键组成部分，成功的数字化电脑从最早的天。这一成功无疑鼓舞研究的NLP （还鼓励和乐观的态度） 。
在自然语言处理的领域内有乐观与悲观的周期性存在（我们现在大概是出于乐观期）；虽然（技术上）真的有一些进步，但是达到一个全面自然语言处理系统的目标仍然遥不可及。（这里我没有用elusive的直译，难以捉摸，因为放进中文里会很怪，没有人说目标难以捉摸。）历史上，计算机专家有时对于自然语言处理（的挑战性）过于乐观，其原因很可能就是以上提到的（周期性）。因此从一开始就清楚这个（自然语言处理）的难度的原因是很重要的。同时，了解自然语言之间的不同也是很重要的一点。相对于其他自然语言来说，更多的研究重点放在了英文上，主要是因为美国研究者（在这个领域里）的重要性，尽管日本和欧洲也有很积极的研究学者。可是，在某一方面来讲，英文不是一个具有代表性的语言：它没有音调变化，并且严重依赖单词顺序。教课书和其他英文版的（自然语言处理）启蒙书籍几乎没有包括任何有关（与英语有）不同语法结构的语言的自然语言处理的合适论述。我们可以区别起码三个完全不同的自然语言处理级别：声音语法语义每一个都可以被再分为两到三个亚级别，但这不是本文的重点。在这个简介里我想要做的是阐明在处理每个级别中会遇到的一些问题。这里有以英文为母语的南英格兰人说的三个词：输入，纳入，收入(input, intake, income)；（请大家）思考这三个词。很显然的，三个词都有相同语义的元素。输入，指的是把什么东西放进去；抽水机的纳入指的是水被抽进去的地方，你的收入指的是你赚的钱（就是进你口袋的钱）。三个词中的in元素（在指定说话人的情况下）都发一样的音吗？如果注意听的话就会发现并不是这样。Input 这个词在发音的时候听起来像是拼法是imput的词，而intake听起来就和它的拼法一样。 如果我们用N代表English 里边ng的发音，那么Income就有点iNcome的感觉。我特地点出了说话者是从南英格兰来的本土人，因为很多苏格兰人说英文的时候都没有这种习惯，就像所有其他英文母语者在慢慢地富有感情的说这三个词的时候一样，他们都会将in的发音发成和它拼法一样。有趣的是，不论在他们自己或是其他人的言语中，以英文为母语者通常都不会注意到这些差别。这不是因为他们没办法分辨m ,n ,N 这三种发音。Rum, Run, Rung这三个词就只有m, n, N这三个发音处不同而已，所有英文母语者都可以很好的区别它们。
最近出于兴趣和需要，重新回顾中文分词技术，期间有些心得，以及一些关于自然语言处理的浅薄之见，这里简单分享一下。 首先， 中文分词_百度百科 里面简单介绍了其中主要的分词算法以及相应的优缺点，包括字符匹配法、统计法以及理解法，其中字符匹配法和统计法比较流行且可以取到相对不错的效果，而理解法则相对比较复杂高级，但是我认为这才是真正解决中文分词任务的根本算法。 如今用于中文分词的算法和模型虽算不上比比皆是，但也算是唾手可得，开源的如jieba、ltp、Hanlp等等，提供中文分词服务的如腾讯云、百度大脑、讯飞AI平台等，以及其他如Jiagu等。 其实这些平台算法的差距并不算太大，分词准确率基本上都是在80%以上，然而在98%以下（这里胡诌个数），在一些不太严格的应用场景下基本已经够用了，只要挑一个在自己的业务场景下表现最好的即可。 在我看来，对于中文分词这项任务而言，最关键最核心的其实并不是算法模型，这些都不是所谓的瓶颈，最重要的其实是高质量、大规模的词典。对于字符匹配法而言，词典是基础，没有词典自然连分都分不出来；对于统计学习法而言，其效果一方面取决于算法和模型的选择，一方面取决于其训练数据的数量与质量，需要堆人力物力，比如找专门的标注公司标注数据等。但是就算是人标的数据，也难免有所错误遗漏，所以在有错误的训练数据下，模型也不可能学的太好，同时训练数据再大，也难以覆盖全部语料，总会出现OOV，总有些句子会训练不到，此时还强求模型可以做到“举一反三”有些不切实际。 词条中还提到了关于中文分词的技术难点：歧义识别与新词识别，关于歧义识别，上面并没有提具体的解决思路，对于新词识别而言，这又是自然语言处理领域很基础并且很重要的点，可以参见一下我之前的文章： 《NLP基础任务之新词发现探索之路》 | lightsmile's Blog ，也有另一个思路，比如说爬取网上一些网站的相关条目，比如百度百科等。 简单看了一下 jieba 、 ansj_seg 、 Jiagu 的分词词典，发现其中jieba的词典质量最差，其中不少词性都是错误的，Jiagu的词典还算不错，就是一些新词不全，ansi_seg的没有细看。 尽管这些工具在一些评测数据的结果可以达到90以上的成绩，但是在我看来，还是不够的，我觉得中文分词这个基础而又艰巨的任务还是要到99%以上才可以，否则分词都分不对，那些在分词基础之上的任务更是不行，毕竟词是基本的语义单元。 然而在现在深度学习盛行的潮流下，许多任务如文本分类、命名实体识别等并不一定需要依赖于分词，直接基于字符（char）的Embedding也可以取得不错的效果，并且也可以规避OOV（out of vocabulary words，未登录词）的问题。 但是深度学习，尤其是监督学习的很关键之处是得有大规模的高质量训练数据，不然巧妇难为无米之炊，再好的模型也难以从垃圾中学到有用的知识。 话说回来，虽然自然语言处理是计算机科学与其他领域的交叉学科，深度学习、机器学习算是人工智能的一部分，然而许多时候往往十分依赖人工，而所谓的智能其实也不智能。 无论是计算机视觉领域里的图像分类还是自然语言处理领域的文本分类，其任务都是学习一个从输入 映射到输出或者说标签 的函数 ，具体来说就是将 表征为多维向量 ，将 表征为多维向量 ，然后让 进入一个模型进行一系列的运算后得到一个 ，通过不断地比较 和 的值并调整模型的参数使模型的运算结果 更为准确即更加贴近 （过程有点类似于 “猜数字”游戏 ），从而最终得到一个近似函数 ，我们就可以用来代替未知的 用于预测未来的样本 ，得到它对应的 。 我们可以发现，以上学习算法确实可以得到能够解决问题的模型，然而局限之处在于它也只能做这个任务，即对输入 预测 ，别的啥也干不了。 同时在基于深度学习的自然语言处理模型中，基本套路都是Embedding+Encoder+Decoder，其中Embedding是基于字还是基于词，是使用预训练词向量还是随机初始化，这些选择所导致的效果的差异都随着训练轮数的增加而最终减小。然而，由于梯度下降以及解空间的特点，基于bert的效果确实是要比Word2Vec的要好，那些词向量确实比Word2Vec的嵌入了（或者说学到了）更多的语言知识。 关于模型的选择和取舍，工业界和学术界的标准其实差别很大。学术界里有的论文是开创性的，而许多论文其实都是在原来基础上小修小改，将最近的较新的思想和算法一堆，实验结果比原来指标高一点又是一篇文章，程序运行占用多大内存、跑了多长时间这些都不是主要因素，也就是一切向指标看齐。 而工业界则更加看重的是性价比，不同的公司、不同的部门、不同的阶段其主要矛盾不同。比如说Facebook之前出的fastText，尽管模型很简单，最终效果可能比不上一些其他复杂的模型，但是其训练速度超快、基于CPU就可以，并且可以很方便地对模型进行压缩。许多时候，一些指标高低差几个点并没有那么关键，模型大小、训练时间、预测时间在很多时候是比较关键的因素，除非由于甲方或客户不满意，或者家大业大，有的是资源，那么这时候效果和指标又成为主要矛盾，这时的优化可能要以一定的时间和空间为代价。 原来的自然语言处理各任务基本上都构建在分词的基础之上，粗略来说有一个 语法 、 语义 到 语用 的递进的过程。这一层一层的任务虽然耦合的很好，但是 这种Pipline将会导致下层的错误都将会被积累到上层，其直接影响就是越到上层其准确率越低，甚至低到惨不忍睹的程度。然而在表示学习，尤其是深度学习崛起以后，其强大的特征学习能力，使得现在的模型多为end-to-end模型，其结果是一方面可以使得相关人员摆脱繁琐的特征工程，可以将特征提取与组合设计的工作交给神经网络模型去隐形完成，大大解放了生产力；令一方面可以将模型视为整体的一部分，即它的输入直接对应原始输入，它的输出直接是我们想要的结果，有点直达病灶的意思，摆脱了原来Pipline错误累积的困境。 不过我个人看来成也end-to-end，败也end-to-end，虽然简化了任务，但是有点太过开门见山，得到的模型一个个都是彼此孤立的，各做各的事情，然而从整体论的角度来看它们都是整个自然语言处理系统的一部分，一些特征本来是可以共享，一些结果是彼此相互依赖的。这也又涉及到参数共享、多任务学习等概念，不细表。由于神经网络的可解释性较差，这使得模型更加像一个黑盒，训练调参的过程更像是在炼丹，因为谁也不知道具体能炼出个什么玩意儿。 如下图很形象地诠释了这一现状： 下面就深度学习下的自然语言处理四大任务进行简单对比（都是个人浅薄之见，难免有不足之处，还望海涵）。自然语言处理四大任务分别是：序列标注、文本分类、句子关系、文本生成。 序列标注任务的原始语料是一连串的句子，经过标注后的语料格式大概如下（以命名实体识别为例）： 我们可以发现，每一行的格式都是一个字符以及它所对应的类别，如 B_{type} 、 O ，那么对于每一个字符模型需要预测的类别数量总计为 2*len(types) + 1 ，其中2是指 BI 这种标注规范， len(types) 指类型种类的数量（如人名、地名、机构名共三种），1是指 O 。可以发现模型需要拟合的函数的值域还是很小的，即 O(len(types)) 。 文本分类任务的标注语料格式大概如下（以情感极性分析为例）： 每一行的格式都包含原始文本以及它所对应的类别（或者说标签），我们可以发现模型需要预测的类别数量总计为 len(types) ，即类型种类的数量（以新闻语料分类，如 娱乐 、 军事 、 科技 、 体育 等），可以发现模型需要拟合的函数的值域也是较小的，即 O(len(types)) 。 句子关系任务的标注语料格式大致如下（以语句相似度为例）： 每一行都是两个句子以及它们的关系（ 1 代表语义相同， 0 代表语义不同），我们可以发现模型需要预测的类别数量总计为 len(relations) ，即关系种类的数量，可以发现模型需要拟合的函数的值域也是较小的，即 O(len(relations)) 。 文本生成任务的标注语料格式大致如下(以机器翻译为例）： 我们可以发现每一行都是源语言句子以及目标语言的对应翻译。虽然此时模型和序列标注模型一样都需要对于单个样本预测多次，但是序列标注模型需要预测的次数直接等于字符的数量，是确定的，但是文本生成任务模型需要预测的次数是不确定的，并且每次预测的值域都是目标语言所有word（或者character）所组成的整体集合，即 O(len(words)) ，其规模可能是十万级或百万级的。因此我们很容易发现文本生成任务的难度和复杂程度是要远远高于其他任务的。对话任务如生成式闲聊机器人更是如此。 可能是之前的AlphaGo过于吸引广大群众的眼球，做相关业务的公司吹的太厉害，以及“人工智能”、“深度学习”这几个词听起来逼格满满，导致许多外行人认为现在的人工智能已经发展到很厉害的层次，并且可以做各种各样的事情，似乎无所不能。但是内行人心里却明白：“什么人工智能，人工智障吧”、“所谓人工智能，多是智能不够，人工来凑”。外行人看不到深度模型算法的局限性，如许多模型的精度并不能达到那么高；也看不到深度模型算法的前提条件，如高质量、大规模的数据集，他们以为模型大约聪明到随便喂点数据便成为终结者般的存在。这也就导致了他们刚开始预期很高，然而在投资或找到外包后发现效果远远不能达到预期，大失所望而潦草结束或撤资离场的局面。 如下一张图大概有点这个意思： 统观学术界与工业界，和计算机视觉领域相比，自然语言处理这种更深层次的、涉及到认知智能的领域的进展虽悠久但缓慢，并且许多任务目前为止距离真正商用还有很大的距离。然而正是科学史上如阿基米德、牛顿等伟大人物与其他相对无名之辈默默耕耘，前赴后继，才使得如今之人类齐享先辈之成果，即所谓“前人栽树后人乘凉”也。 我辈也无需悲观，须戒骄戒躁，搞算法的就多己见、少盲从，少水论文；搞工程的就多积累经验，提升实践能力，多做高质量的项目。功夫不负有心人。
一、 现代汉语部分 1.著名作家作品语言运作特色的研究 2.讽刺语言中的文化底蕴 3.语法中的语义因素 4.“是”字用法研究 5.语用与语法的关系 6.新兴词缀研究 7.祈非主谓句的修辞作用 8.论动词重叠式的使用条件 9.论句群纳入中学语文教学的实用意义 10.新兴辞格研究 11.语言环境对句式选择的制约作用 12.××方言（包括语音、词汇、语法等部分） 13.××方言现象专题报告 14.代词的语用研究 15.语言副词的语用研究 16.助动词的语用研究 17.时下新词描写 18.句型的语用研究 19.语气词的语用研究 20.言语行为在句子里的表现 二、 写作部分 1.论小说的叙述视角 2.论小说的误乐性 3.心态小说的艺术魅力 4.论现代小说性情节结构类型 5.论小说的新典型观 6.论小说语言的创新 7.论小说的写作技巧 8.论广告辞的审美特性 9.从报告文学的轰动效应探视读者的审美要求 10.试论新时期女性散文的艺术特色 11.试论毕淑敏小说的创作特色 12.试论诗歌中意象的类型与特征 13.论鲁迅小说对人物灵魂的深刻穿透力 14.试论当今散文的发展走向 15.论小说中的意识流手法 16.试论新时期散文创作的艺术特色 17.论新闻文体的审美特质 18.试论新闻写作的真实性 19.论想象在文学创作中的功用 20.试谈散文笔法的多元化趋势 21.论新时期散文的艺术嬗变 22.任选当今一个散文作家的作品进行评论 23.任选当今一个小说作家的作品进行论述 24.论散文的“自叙体”色彩 25.论文学语言的审美特性 26.试论王蒙小说的艺术特色 27.试论王安忆小说的艺术特色 28.论文学人物性格的立体结构 29.意识流写法的魅力 30.任选当今一个诗人的作品进行论述 31.文学创作情感论 32.论张洁小说的艺术 三、文学理论部分 1. 论艺术真实 2.论文艺欣赏中的心理距离 3.文艺欣赏中的共鸣与沟通 4.论艺术直觉 5. 论艺术虚构 6.论典型 7.文学流派在艺术创作中的意义 8.简论文学作品形式的独立审美特征 9．新时期文学发展与典型内涵的新变化 10.新时期诗歌审美特点的新变化 11. 论当代中国的大众文化 12.论艺术创作的通感与错位 13.论审美变形 14.论艺术想象在文学创作中的价值 15.论文艺作品可能产生的负面影响 16.论本世纪中国文论的现代性主题 四、美学部分 1.儒家美学在中国古典美学发展史上的地位 2.庄子美学思想对中国艺术精神的影响 3.论朴素美 4.蔡仪美学思想述评 5.朱光潜在当代中国美学史上的地位和作用 6.评李泽厚美学思想 7.中国意境理论的形成和发展 8.禅宗对中国美学发展的影响 9.试论文学语言的审美特征 10.论艺术接受中的个体差异 11.人类审美态度的演进历程 12.论悲剧审美的道德内涵 13.当代中国大学生审美情趣考察 14.论形式美的美育效应 15.美育与社会人文精神的转化与重建 16.美育与社会的文明进步 17.审美与文化的关系 18.略论大众审美文化的历史与现状 19.论宗白华美学思想 20.论审美现代性 21.广告的审美特征论析 22.论诗歌语言 五、现代文学部分 1.冰心小诗研究 2.郁达夫小说中的抒情特征 3.郁达夫小说中的自我形象 4.《女神》中的泛神论色彩 5.《故事新编》研究 6.“革命十恋爱”小说模式论 7.《孔乙己》的艺术技巧论 8.《祝福》与中国的祭祀文化 9.鲁迅小说中的知识分子形象 10.进化论与鲁迅思想研究 11.吴荪甫的悲剧特征 12.《腐蚀》的艺术特征 13.朱自清散文的艺术特点 14.徐志摩诗歌研究---以《再别康桥》为例 15.废名小说主题与艺术风格 16.《家》中的两种文化冲突 17.张爱玲小说的主题思想 18.《蚀》与《子夜》的比较分析 19.《四世同堂》的艺术特征 20.进化论与中国现代文学 21.废名小说的艺术风格 22.“五.四”乡土小说研究 23.周作人散文的艺术特点 24.林语堂的散文艺术 25.新感觉派小说艺术 26.“七月”诗派的现实主义特征 27.张天翼小说的讽刺艺术 28.钱钟书《围城》的语言艺术 29.老舍小说中的幽默风格 30.中国现代小说中的散文化问题 31.胡风的诗和诗论 32.路翎小说艺术研究 33.论中国现代文学中的“太阳”意象 34.茅盾小说中的“理性化”特征 35.戴望舒诗歌研究---以《雨巷》为例 36.瞿秋白杂文论 37.萧红小说的艺术特点 38.曹禺《雷雨》的思想主题 39.曹禺剧作的“生命”主题 40.曹禺《雷雨》的结构艺术 41.巴金《激流三部曲》的反封建意义 42.试论高觉新形象 43.《寒夜》中的曾树生形象、汪文宣形象分析 44.鲁迅小说中的农民形象 45.苏青小说研究 46.中国现代作家与中国传统文学（择一角度） 47.艾青诗歌的艺术特征 48.赵树理小说民间化特征 49.论徐志摩的诗 50.论闻一多的诗 51.论钱钟书《围城》的主题思想 52.论穆旦的诗 53.曹禺与夏衍戏剧之比较 54.论沈从文的《边城》 55.萧军小说研究 56.论田汉的戏剧 57.论张爱玲的小说风格 58.丁玲小说研究 六、古代文学部分 1.《诗经》的审美学特色 2.论《诗经》中的征役诗 3.论《诗经》中的婚恋诗 4.论《诗经》中的史诗 5.论《诗经》中的农事诗(其他类型,自拟题目) 6. 论中国古代神话的演变 7. 中国古代神话与原始观念 8. 先秦诸子书寓言研究 9. 先秦史传寓言研究 10. 先秦史书寓言研究(其他类型,自拟题目) 11. 先秦文学与理性精神 12. 《吕氏春秋》与杂家 13. 《诗经》的比兴与《楚辞》的象征 14. 论《左传》的战争描写 15. 论《左传》的妇女形象 16. 《战国策》的艺术成就 17. 《战国策》名篇研究 18. 老子的思想 19. 《老子》的艺术特色 20. 《庄子》的艺术特色 21. 《庄子》寓言的艺术成就 22.孟子论辩散文的艺术风格 23．从《离骚》看屈原的自觉与不自觉 24．《史记》所描写的游侠 25．《史记》所描写的刺客 26. 司马迁的反暴政思想 27．《史记》所描写的战国四公子 28. 《《古诗十九首》的艺术成就 29. 从《氓》到《孔雀东南飞》——论中国古代叙事诗的发展 30. 曹操与诗文革新随便挑一个写
分为好几部分，如教学类的，文学类的等等，每部分题目不一，大约在交论文前一个月，他们会给你寄一本书，当然题目并不一定必须从这里面选。题目太多，不方便一一输入，转发几个相关题目吧~一、自考生毕业论文选题指南（一）、美学1、论自然美2、生活丑与艺术美关系研究3、论优美4、论崇高5、悲剧理论研究6、市场经济与美学研究7、文学作品美学风格研究8、丑的美学意义研究9、应用美学研究，如园林美学、书法美学、服饰美学、广告美学等10、中国古代美学专题研究，如古代美学思相家，美学范畴注变，某一美学著作等11、西方美学专题研究12、喜剧性研究13、艺术品与非艺术品关系研究14、审美时尚研究15、审美趣味的个性化研究16、审美教育与完美人格培养的研究17、美的民族性研究18、美的历史发展性研究19、中西美学思想的比较研究，如人物比较、范畴比较等20、中国当代美学思想的研究（二）、文学理论1、市场经济对艺术创作的影响研究2、文艺政策研究3、文艺与现实生活关系研究4、文学语言研究5、文学风格研究6、文学欣赏对文学创作的影响7、艺术灵感研究8、论艺术欣赏的主体性9、文学作品的理论反向10、中国文化专题研究11、西方文论对中国文学影响研究12、中西文论比较研究，如文论家、理论13、艺术真实性问题研究14、当代文学与传统文化关系研究15、当代文学与西方文化关系研究16、文学作品与宗教关系研究17、当代西方文学理论研究18、关于文学与人生的研究19、文学社会效果研究20、目前文学理论热点研究二、外国文学论文选题范围 1、荷马史诗研究2、古希腊戏剧研究3、古希腊文学对后代文学影响研究4、但丁研究5、莎士比亚喜剧研究6、莎士比亚悲剧研究7、文艺复兴时期文学思潮研究8、弥尔顿诗歌研究9、古典主义戏剧研究10、歌德研究11、浪漫主义文学思潮研究12、拜伦研究13、雨果研究14、普希金研究15、现实主义文学思潮研究16、《红与黑》研究17、《人间喜剧》研究18、狄更斯研究19、果理研究20、陀思妥耶夫斯基研究21、易卜生研究22、托尔斯泰研究23、海明威研究24、现代主义文学思潮研究25、卡夫卡研究26、圣经文学研究27、《沙慕达罗》研究28、《一千零一夜》研究29、《源氏物语》研究30、泰戈尔研究31、川端康成研究32、大江健三郎研究三、现当代文学选题目录 1、鸳鸯蝴蝶派再认识2、张恨水社会言情小说论略3、论《春明外史》的“野史”特点4、论《金粉世家》中冷清秋形象5、论《啼笑因缘》中樊家树形象6、《啼笑因缘》与《秋海棠》比较研究7、论平江不肖生的武侠小说8、还珠楼主武侠小说论9、王度庐“鹤一铁”系列武侠小说10、金庸武侠小说简评11、回顾与瞻望：新派武侠小说的过去与未来12、试析鲁迅小说的人物形象系列13、鲁迅小说的叙事艺术14、鲁迅小说中的忏悔意识15、鲁迅小说中的女性世界16、《伤逝》再解读17、《孔乙己》的叙事艺术18、鲁迅小说 中的童年叙事19、鲁迅小说的诗化特征20、鲁迅与老舍国民性批判比较21、老舍小说的京味特征22、老舍小说的语言艺术23、沈从文小说中的湘西世界24、沈从文小说的抒情化倾向25、论沈从文创作中的人性内涵26、萧红小说创作的抒情色彩27、萧红《呼兰河传》的诗化特征28、郁达夫小说艺术论29、废名小说的审美特征30、废名小说艺术论31、张爱玲小说的悲剧意识32、张爱玲小说中电影表现手法运用33、郁达夫小说中的孤独者形象34、审美化的人生——张爱玲散文论35、冯至诗歌中的现代意识36、论艾青诗歌中的忧郁37、《围城》新论38、孤独与梦想——重读《边城》39、郭沫若诗中的抒情主人公40、《女神》浪漫主义风格论41、胡适与中国现代新诗42、周作人散文艺术论43、朱自清散文艺术浅析44、冰心“小诗”简论45、徐志摩散文艺术论46、徐志摩诗歌中的意境47、戴望舒与中国现代诗派48、卞之琳诗歌“非个人化”倾向论49、穆旦诗歌中的“自我”50、曹禺戏剧的诗意特征51、茅盾小说中的“现代女性”52、《腐蚀》的心理分析艺术53、巴金《寒夜》新论54、郭小川诗歌论55、贺敬之诗歌论56、李瑛诗歌论57、论闻捷的爱情诗58、论李季的诗歌59、公刘诗歌论60、艾青新时期诗歌论61、论艾青国际题材的诗歌62、论艾青的创作道路63、论舒婷的诗歌64、顾城诗歌论65、论“朦胧诗”的产生66、论“朦胧诗”的艺术特征67、“第三代”诗人论68、论“朦胧诗”与“第三代”区别69、论赵树理的《三里湾》70、论赵树理建国后的小说创作71、信纸柳青的小说创作72、论柳青的《创业史》73、《创业史》艺术论74、论建国后战争题材的小说75、茹志鹃的小说创作论76、论吴强的《红日》77、论《保卫延安》的思想与艺术78、论王蒙的小说79、论王蒙的《活动变人形》80、蒋子龙小说创作论81、高晓声小说创作论82、张洁小说创作论83、论新时期军事题材的小说84、贾平凹小说论85、张炜小说论86、论莫言的《红高梁》系列小说87、论杨朔的散文艺术88、论刘白羽的散文艺术89、论秦牧的散文艺术90、论新时期的文化散文四、古代汉语论文题目 1、古代汉语词类活用现象综述2、《论语》句法研究3、《孟子》中的“之”字4、《孟子》中的“其”字5、《左传》被动句研究6、先秦“是”的用法及其发展7、《韩非子》中的被动句8、先秦双宾语句的类型9、“被”字的词义演变10、从《韩非子》看先秦的副词11、从《庄子》看先秦的宾语前置句12、《苟子》副词研究13、先秦修辞方式研究14、《战国策》中的“是”字15、《国语》中的判断句16、《国语》中的被动句17、试论词义的演变类型18、词义引申的原则和方法19、试论汉字形体演变对字形结构分析的影响20、古今修辞方式的比较五、古代文学及近代文学题目1、中国古代洪水神话考论2、《诗经》燕乡食诗的场面描写3、《离骚》抒情主人公形象的塑造4、《战国策》中策士言辞的抒情化特征5、《庄子》中的畸人描写及其思想蕴涵6、论《诗经》中的婚恋诗7、《左传》中行人引诗分析8、《孟子》文章的论辩技巧9、《庄子》寓言的场景描写10、宗玉赋试论11、贾谊政论文的策士风范12、司马相如赋的现实政治企向13、论《史记》中下层人物的描写14、汉乐府民歌的讽谕特征15、论蔡邕的碑体文16、曹植诗风的衍变17、潘岳哀诔文的创作特色18、陶渊明田园诗的艺术风格19、梁园文人群体的辞赋创作20、汉武帝时期赋家考论21、《史记》人物合传的结构安排22、《古诗十九首》中的人生思考23、邺下文人游宴活动与游宴诗创作24、阮籍咏怀诗的抒情特征25、左思咏史诗的咏怀特质26、谢灵适山水诗的摹象特点27、宫体诗的女性描写28、论《文选》对诗的分类29、论《子夜歌》30、《世说新语》的语言风格31、陈子昂的诗歌理论与诗歌创作32、王维诗中的禅趣33、论杜甫安史之乱时期的诗歌创作34、盛唐时期绝句的特色35、柳宗元的山水游记36、李商隐诗歌的朦胧美37、岑参边塞诗初探38、论李白的梦诗39、论白居易的感伤诗40、韩孟诗派的艺术追求41、晚唐苦吟派诗人的创作心态42、论中唐传奇的创作特色43、试论西昆体的艺术风格44、欧阳修记体文的创作特色45、苏轼黄州诗试论46、论陆游的爱国诗47、论辛弃疾的以文为词48、李清照词的艺术个性49、柳永词的语言特点50、苏轼对词境的开拓51、贺铸词的艺术个性52、论诚斋体53、宋末逸民诗初探54、王安石散文的写作风格55、论关汉卿的喜剧创作56、马致远的神仙道化剧57、论《倩女离魂》的艺术特点58、《高祖还乡》的讽刺艺术59、《水浒传》的忠义观60、《三国演义》的战争描写61、猪八戒形象分析62、“三言”中的商人形象描写63、公安派的小品文创作64、《金瓶梅》的家庭生活描写65、《西厢记》的继承与创新66、《琵琶记》悲剧意蕴分析67、元代少数民族诗人的诗歌创作68、元代散曲的情感企向69、宋江形象分析70、《牡丹亭》的浪漫主义特色71、论西门庆形象的文化警示意义72、“三言”“二拍”中的风尘女性73、李贽“童心说”的文学价值74、论《西游记》的谐趣75、清初历史剧兴盛原因初探76、明清才子佳人小说的叙事模式77、《聊斋志异》中的书生形象78、《儒林外史》的讽刺艺术79、大观园的文化意义80、《红楼梦》的梦幻描写及其意义81、《长生殿》的爱情观82、狐鬼花妖尽世情83、《儒林外史》的批判意识84、论贾宝玉的人生悲剧85、论林黛玉86、论桐城义法87、张飞、李逵形象塑造比较88、花间词的艺术成就89、《红楼梦》中的丫环群象90、魏晋散文的骈俪化倾向91、归有光的散文创作92、《桃花扇》的结构艺术93、论晚唐的怀古咏史诗94、江西诗派宗杜论95、论《史记》对后世小说创作影响96、宋代豪放词的艺术风格97、论明清小说题材的邅变98、《文心雕龙》对创作构思的分析99、严羽《沧浪诗话》以禅喻诗分析100、道家虚静说对古代诗歌创作论的影响
汉语言文学论文的题目有哪些呢?下文是我为大家整理的关于汉语言文学论文题目的范文，欢迎大家阅读参考!
1.著名作家作品语言运作特色的研究
2.讽刺语言中的文化底蕴
3.语法中的语义因素
4.“是”字用法研究
5.语用与语法的关系
6.新兴词缀研究
7.祈非主谓句的修辞作用
8.论动词重叠式的使用条件
9.论句群纳入中学语文教学的实用意义
10.新兴辞格研究
11.语言环境对句式选择的制约作用
12.××方言(包括语音、词汇、语法等部分)
13.××方言现象专题报告
14.代词的语用研究
15.语言副词的语用研究
16.助动词的语用研究
17.时下新词描写
18.句型的语用研究
19.语气词的语用研究
20.言语行为在句子里的表现
1.论小说的叙述视角
2.论小说的误乐性
3.心态小说的 艺术魅力
4.论现代小说性情节结构类型
5.论小说的新典型观
6.论小说语言的创新
7.论小说的写作技巧
8.论广告辞的审美特性
9.从报告文学的轰动效应探视读者的审美要求
10.试论新时期女性散文的艺术特色
11.试论毕淑敏小说的创作特色
12.试论诗歌中意象的类型与特征
13.论鲁迅小说对人物灵魂的深刻穿透力
14.试论当今散文的 发展走向
15.论小说中的意识流手法
16.试论新时期散文创作的艺术特色
17.论新闻文体的审美特质
18.试论新闻写作的真实性
19.论想象在文学创作中的功用
20.试谈散文笔法的多元化趋势
21.论新时期散文的艺术嬗变
22.任选当今一个散文作家的作品进行评论
23.任选当今一个小说作家的作品进行论述
24.论散文的“自叙体”色彩
25. 论文学语言的审美特性
26.试论王蒙小说的艺术特色
27.试论王安忆小说的艺术特色
28.论文学人物性格的立体结构
29.意识流写法的魅力
30.任选当今一个诗人的作品进行论述
1. 论 艺术真实
2. 论文艺欣赏中的心理距离
3.文艺欣赏中的共鸣与沟通
4.论艺术直觉
5. 论艺术虚构
6.论典型
7.文学流派在艺术创作中的意义
8.简论文学作品形式的独立审美特征
9.新时期文学 发展与典型内涵的新变化
10.新时期诗歌审美特点的新变化
11. 论当代 中国的大众文化
12.论艺术创作的通感与错位
13.论审美变形
14.论艺术想象在文学创作中的价值
15.论文艺作品可能产生的负面影响
基本的文学常识还是应该具备，论文题目基本变化不会太大，范围都局限在那一些。
很抱歉，我是小学毕业的老糟头子。视频、图像处理，涉及领域非常广阔，任何一个应用，都可以写出无数篇有价值的论文。比如CT图像的电脑判读，比如润滑油的色度检测，比如违章人脸识别，比如人脸图像的历史年轮，视频特效，图像特效等等。至于自然语言，不知道你想说啥。计算机领域没有自然语言，只有程序语言。程序语言不外乎是C、Delphi，外加VB。如果你更专，那就必须会汇编语言。不管什么语言，必须能控制硬件、数据库、媒体文件、HTML5等等。但无论如何不要碰python，那是庞氏。搞程序，随便完成一个课题，都可以用代码来实现课题中的程序控制部分，写论文也很容易。其实不管选图像、视频处理，还是程序语言，关键是你得选择一个适合自己的课题，用你的计算机技术来完成这个课题，那就是论文了。
数据科学专业的表示NLP需要的训练集太大了，也不好找。只能拿预训练模型针对特殊应用做二次开发，而且对硬件要求很高。图像/视频较NLP来说开放的训练集也好找，而且主题也很多，而且你自己编一个好实现又很实际的商用需求就比较好结题。
自然语言处理( Natural Language Processing, NLP)是计算机科学领域与人工智能领域中的一个重要方向。
它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系，但又有重要的区别。
自然语言处理并不是一般地研究自然语言，而在于研制能有效地实现自然语言通信的计算机系统，特别是其中的软件系统。因而它是计算机科学的一部分 。