摘自
DATA GRAND
企业如何用文本挖掘技术提升运营效果
自然语言处理待解决的问题
多模态的融合
其实我们人是不怎么区分图片、文字、声音，因为到脑海中都会变成表述。这样类比到神经网络上，我们也可以对不同类型的信息源同等对待，同等建模，得到一个融合的信息，再基于这种信息进行编码解码，然后再生成其他媒介的东西，或者混合媒介的东西。
现在「读图」这件事更多的是图像领域的科研人员在做，NLP 领域的人很少涉足，NLP 研究人员一般是你读出来什么，表示成自然语言的形式，我再进行后续的处理。但我认为，做 NLP 的人需要了解信号是怎样输入进来的，这很重要。就自然语言来讲，在信息的感知层面，现在除传统的键盘输入外，还有语音输入、图像输入，这和我们人类观察世界的方式是一致的。人类在接受外界信号时，实际上在脑海中是形成了一系列的自然语言的表述的，从这个表述出发，我们才会想去创作。所以说，信号是如何进来的是非常重要的。
图像和语言充分衔接后，就会产生非常大的机会。比如跨媒介交流、基于图文的多媒体问答对话、搜索（直接用图片搜索或者图文混合信息搜索）。这个方向有所突破的话，对机器人领域的发展会非常有帮助。它感知对方，了解对方是什么样的人，说过什么话，机器人得到对方的一个统一的印象，就可以做出自然的表情和反应。现在机器人的多模态、人机交互是做不好的，未来可以期待一下。
通过用户画像实现个性化服务
。
现在自然语言处理基本上用户画像用得非常非常少。人与人的对话，其实是对不同的人说不同的话，因为我们知道对话的人的性格、特点、知识层次，我了解了这个用户，知道用户的画像，那么在对话的时候就会有所调整。目前来讲，我们还远远不能做到这一点。
通过可解释的学习洞察人工智能机理
。
现在自然语言处理跟其他的人工智能一样，都是通过一个端对端的训练，而其实里面是一个黑箱，你也不知道发生了什么，哪个东西起作用，哪个东西没有起作用。我们也在思考，有没有一种可解释的人工智能，帮助我们知道哪些地方发挥了作用，哪些地方是错的，然后进行修正，快速调整我们的系统。目前还没有针对这个问题很好的解决方案，尽管有一些视觉化的工作，但是都比较粗浅，还没有达到最精准的判定和跟踪。
通过知识与深度学习的结合提升效率
。
所谓知识和深度学习的结合，有可能很多情况下是需要有人类知识的。比如说客服，是有一些常见处理过程的。那么出现问题我该怎么解决？这些知识如何跟数据巧妙结合，从而加快学习的过程、提高学习的质量，这也是比较令人关注的。
通过迁移学习实现领域自适应
。
如果们想翻某一个专业领域，比如说计算机领域，可能现有的翻译工具翻得不好。所以大家都在研究，有没有一种办法，能够帮助机器进行迁移学习，能够更好的运用到语音自适应上。
通过强化学习实现自我演化。
这就是说我们自然语言系统上线之后有很多人用，得到了有很多人的反馈，包括显示的反馈、隐式的反馈，然后通过强化学习不断的提升系统。这就是系统的自我演化。
挑战
字词关系的处理
－－计算机来理解字词之间的关系很困难，因为计算机需要挖掘很多词和其他词之间的关系。比如说相关词，同义词，甚至还有单词。进一步还要做同义词、反义词、近义词的关系和挖掘，然后还要跨语言，还有英文的同义词，外文的简称等等。比如计算机如何判断“中”是不是表达中华人民共和国还是表达河南方言“好”的意思？
－－局部转义问题。比如说巧克力囊肿是一种常见的肿瘤名称，但是把巧克力拿出来是一个食物，在理解时它不会看到这句话把其理解为一个可以吃的东西。
－－中文上下文有很多歧异地地方。比如说“我不方便”“他在方便”。中文中复杂的的歧异，这也是让计算机像人一样阅读文章时必须克服的困难。
歧义语义的理解
汉语不像英语有主动时态和被动时态，它很模糊。像“咬死了猎人的狗”，这句话一种是主语被省略了，主语可能是一只老虎、一只狗，它咬死猎人的狗，这时狗是宾语。还有一种情况狗是主语，咬死了猎人是修饰词。这两种理解方式都对，我们需要结合上下文才能理解，需要很多算法解决歧义识别问题。像章词法、句法、上下文等等。
多样化的句式结构的解析
搜索引擎经常需要处理意思一样，但是文字表达方式不一样的情况。这种情况下我们常见的处理方法叫做语义的规一划，这也是处理搜索引擎词时经常遇到的问题。他的字一样但是顺序不一样。
比如我们说“你上班了吗？”、“班你上了吗”、“你上班了吗”、“你班上了吗”意思是接近的。常见的做法是通过定位和调整主谓宾定状补等句子元素，生成句法依存树来理解句子结构。