让计算机来理解和处理人类的语言也不是一件容易的事情，因为语言对于感知的抽象很多时候并不是直观的、完整的。我们的视觉感知到一个物体，就是实实在在地接收到了代表这个物体的所有像素。但是，自然语言的一个句子背后往往包含着不直接表述出来的常识和逻辑，这使得计算机在试图处理自然语言的时候不能从字面上获取所有的信息。因此自然语言处理的难度更大，它的发展与应用相比于计算机视觉也往往呈现出滞后的情况。

深度学习在自然语言处理上的应用也是如此。为了将深度学习引入这个领域，研究者尝试了许多方法来表示和处理自然语言的表层信息（如词向量、更高层次、带上下文信息的特征表示等），也尝试过许多方法来结合常识与直接感知（如知识图谱、多模态信息等）。这些研究都富有成果，其中的许多都已应用于现实中，甚至用于社会管理、商业、军事的目的。

1、自然语言处理的基本问题

自然语言处理主要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，其主要任务如下。
（1） 语言建模。语言建模即计算一个句子在一种语言中出现的概率。它的一种常见形式是：给出句子的前几个词，预测下一个词是什么。

（2） 词性标注。句子都是由单独的词汇构成的，自然语言处理有时需要标注出句子中每个词的词性。需要注意的是，句子中的词汇并不是独立的，在研究过程中，通常需要考虑词汇的上下文。

（3） 中文分词。中文的最小自然单位是字，但单个字的意义往往不明确或者含义较多，并且在多语言的任务中与其他以词为基本单位的语言不对等。因此不论是从语言学特性还是从模型设计的角度来说，都需要将中文句子恰当地切分为单个的词。

（4） 句法分析。 由于人类表达的时候只能逐词地按顺序说，因此自然语言的句子也是扁平的序列。但这并不代表着一个句子中不相邻的词之间就没有关系，也不代表着整个句子中的词只有前后关系。它们之间的关系是复杂的，需要用树状结构或图才能表示清楚。句法分析中，人们希望通过明确句子内两个或多个词的关系来了解整个句子的结构。句法分析的最终结果是一棵句法树。

（5） 情感分类。给出一个句子，我们希望知道这个句子表达了什么情感：有时候是正面/负面的二元分类，有时候是更细粒度的分类；有时候是仅给出一个句子，有时候是指定对于特定对象的态度/情感。

（6） 机器翻译。最常见的是把源语言的一个句子翻译成目标语言的一个句子。与语言建模相似，给定目标语言一个句子的前几个词，预测下一个词是什么，但最终预测出来的整个目标语言句子必须与给定的源语言句子具有完全相同的含义。

（7） 阅读理解。有许多形式。有时候是输入一个段落或一个问题，生成一个回答（类似问答），或者在原文中标定一个范围作为回答（类似从原文中找对应句子），有时候是输出一个分类（类似选择题）。

2、发展趋势

从传统方法和神经网络方法的对比中，可以看出自然语言处理的模型和系统构建是向着越来越自动化、模型越来越通用的趋势发展的。

一开始，人们试图减少和去除人类专家知识的参与。因此就有了大量的网络参数、复杂的架构设计，这些都是通过在概率模型中提供潜在变量(latent variable)，使得模型具有捕捉和表达复杂规则的能力。这一阶段，人们渐渐地摆脱了人工制定的规则和特征工程，同一种网络架构可以被许多自然语言任务通用。

之后，人们觉得每一次为新的自然语言处理任务设计一个新的模型架构并从头训练的过程过于烦琐，于是试图开发利用这些任务底层所共享的语言特征。在这一背景下，迁移学习逐渐发展，从前神经网络时代的LDA、Brown Clusters，到早期深度学习中的预训练词向量word2vec、Glove等，再到今天家喻户晓的预训练语言模型ELMo、BERT。这使得不仅是模型架构可以通用，连训练好的模型参数也可以通用了。

现在人们希望神经网络的架构都可以不需要设计，而是根据具体的任务和数据来搜索得到。这一新兴领域方兴未艾，可以预见，随着研究的深入，自然语言处理的自动化程度一定会得到极大的提高。