目标
自然语言处理的目标是让计算机处理或说“理解”自然语言，以完成有意义的任务。
难点
人类语言是充满歧义的，不像编程语言那样明确。编程语言中有各种变量名，但人类语言中只有少数几个代词可以用，你得思考到底指代的是谁……
人类语言的解读依赖于现实世界、常识以及上下文。由于说话速度书写速度阅读速度的限制，人类语言非常简练，省略了大量背景知识。
接下来是几个英文的歧义例子，对native speaker而言很有趣。为了完整性只看一个：
The Pope’s baby steps on gays
主要歧义发生在baby上面，可以理解为“教皇的孩子踩了基佬”，也可以理解为“教皇在同性恋问题上裹足不前”。
Deep NLP = Deep Learning + NLP
将自然语言处理的思想与表示学习结合起来，用深度学习的手法解决NLP目标。这提高了许多方面的效果：
层次：语音、词汇、语法、语义
工具：词性标注、命名实体识别、句法\语义分析
应用：机器翻译、情感分析、客服系统、问答系统
Word Vector
略
NLP表示层次：形态级别
传统方法在形态级别的表示是词素：
image.png
深度学习中把词素也作为向量：
image.png
多个词素向量构成相同纬度语义更丰富的词向量[这里有个小疑问，合成后的词都是这些词素都是组合的？]
NLP工具：句法分析
image.png
NLP语义层面的表示
传统方法是手写大量的规则函数，叫做Lambda calculus：
image.png
在深度学习中，每个句子、短语和逻辑表述都是向量。神经网络负责它们的合并。
image.png
情感分析
传统方法是请一两百个工人，手工搜集“情感极性词典”在词袋模型上做分类器。
深度学习复用了RNN来解决这个问题，它可以识别“反话”的情感极性：
image.png
注意这只是为了方便理解的示意图，并不是RNN的工作流程。
QA
传统方法是手工编写大量的逻辑规则，比如正则表达式之类：
image.png
深度学习依然使用了类似的学习框架，把事实储存在向量里：
image.png
客服系统
最著名的例子得数GMail的自动回复：
image.png
这是Neural Language Models的又一次成功应用，Neural Language Models是基于RNN的：
image.png
机器翻译
image.png
而Neural Machine Translation将原文映射为向量，由向量构建译文。也许可以说Neural Machine Translation的“国际语”是向量。
结论：所有层级的表示都是向量
image.png
这可能是因为向量是最灵活的形式，它的维度是自由的，它可以组合成矩阵，或者更高阶的Tensor。事实上，在实践的时候向量和矩阵没什么本质区别，经常看到为了效率或单纯的美观而pack成矩阵unroll成向量的操作。
