作为人工智能分支的自然语言处理：停滞的技术（赵海）.pptVIP

* 实验2: CRFs 性能vs语料规模指数增长的语料带来线形性能提升 * 实验2: FMM 性能 vs. 语料规模 * 实验2: FMM 词典大小 vs. 性能 * 实验2: 小结 坏消息： 统计方法下面，线性的性能增长要指数规模扩大的语料以便克服 Zipf 率带来的稀疏性。 扩大语料并非易事。 好消息：规则方法要求线性的资源扩大 。 统计方法 vs 规则方法 考虑：词典比语料容易获得 * 目前的问题 机器学习方法的使用部分地解决了知识表示问题，但是没有根本解决这一问题。 机器学习方法依然依赖于人工知识，特别是人工规则方法。 机器学习方法过度依赖于标注语料的规模。 机器学习方法的NFL特性被忽略。 不断尝试最新的学习模型不是技术进步 * 我们的建议 从知识工程的角度考虑问题 考虑更好的语料组织形式：知识库？ 考虑NFL因素，关注特征工程 谢谢！ 作为人工智能分支的自然语言处理：停滞的技术 赵 海 上海交通大学 计算机科学与工程系 沈阳 2010.09.18 * 起源 以人工智能的知识工程的角度来看待分析当前的自然语言处理技术。 当前的自然语言处理被机器学习为代表的自动化数据挖掘技术所严重渗透。 可将其归结为一种知识获得和学习分离的智能系统处理方法。 忽略了基本的机器学习原则而导致低效的知识处理 两个关联但是有区别的困境 单一的数据挖掘方式的自然语言处理未能