葉符明

（貴州商學院 貴州 貴陽 550014）

1 引言

對于自然語言處理技術而言，其先進性的優(yōu)勢十分突出，在人工智能領域當中發(fā)揮出了良好的作用。在深度學習概念形成以后，可以將其運用到語言、圖像、文本數(shù)據(jù)信息的處理過程當中。通過在自然語言處理過程當中加以利用，能夠使從前的處理方式出現(xiàn)很大的變化，完成辨識命名、意圖、句法以及語音等方面的任務，使得相應的計算效率得以提升[1]。鑒于此，如何將深度學習運用到自然語言處理過程當中變得尤為必要，擁有一定的研究意義與實踐價值。

2 深度學習與自然語言處理技術的概念闡釋

2.1 深度學習的概念及其內(nèi)涵

對于深度學習而言，屬于以機器學習作為基礎所提出的全新概念，借助模擬人腦神經(jīng)網(wǎng)絡的方式，開展了相應的探究、分析以及解釋等工作，此類學習結(jié)構(gòu)涵蓋了多層與隱層。對比淺層學習來說，由于構(gòu)建的模型結(jié)構(gòu)較深，通常情況下，包含了超過三層的隱層節(jié)點，最多為十層，能夠進行科學分析十分復雜的函數(shù)工作。與此同時，突顯出特征學習的優(yōu)勢，鑒于深度學習不需要進行監(jiān)督，在合理利用非監(jiān)督預訓練算法的過程當中，可以把原有的樣本以輸入的形式映射到全新的特征空間當中，有助于完成預測和分類的任務。另外，深層學習也擁有良好的有效性，能夠借助深層結(jié)構(gòu)解釋相關函數(shù)，所以，使其得到了有效地運用，發(fā)揮出良好的作用。

2.2 自然語言處理技術介紹

自然語言處理技術常見于實驗室，通過運用相關統(tǒng)計學、機器學習算法等理論與方式，完成科學處理圖片、文本的任務。在深度學習誕生以后，在工業(yè)化應用方面的相關條件變得更加完善，從當前的發(fā)展情況而言，已經(jīng)獲得了很大的進步，并且被運用到不同的行業(yè)領域當中，發(fā)揮出良好的功效和作用。實際上，早在2015年時，Word2ve算法便已經(jīng)誕生，作為全新的構(gòu)建詞向量方式，其主要將深度學習當作重要的基礎，屬于自然語言處理技術的一種。此類方法包含了兩種不同的模型，其一為Skip-gram模型，其二為CBOW模型，前者主要借助輸入某個單詞的方式，達到對上下文語境有效預測的效果，后者則主要借助輸入某個詞語上下文語境的方式，達到有效預測詞語含義的目的，形成的詞向量即為神經(jīng)網(wǎng)絡模型具體的輸入向量[2]。所以，從中不難獲悉，Word2ve的理解能力較為突出，在運用自然語言處理技術的過程當中，不必采用人工處理干預的方式便能夠?qū)ξ谋菊Z境加以深入闡釋。并且，對于我國來說，加快了對自然語言處理算法進行探究的速度，使得模擬word2vec詞向量計算模型得以誕生，加大了對深度學習的推廣和運用力度。

3 基于人工智能下的自然語言處理深度學習方式說明

3.1 合理運用前饋神經(jīng)網(wǎng)絡

針對前饋神經(jīng)網(wǎng)絡而言，也叫做多層感知機模型，可以將此類神經(jīng)網(wǎng)絡模型運用到多任務的環(huán)境中，不過因為環(huán)境處于動態(tài)變化當中，導致其模型的內(nèi)部結(jié)構(gòu)隨之十分復雜，因而，容易增加神經(jīng)網(wǎng)絡的訓練難度。面對圖形處理技術不斷進步的情況，使得前饋神經(jīng)網(wǎng)絡得以誕生，與此同時，也在自然語言處理過程當中發(fā)揮出良好的作用。從計算機技術的角度而言，利用前饋神經(jīng)網(wǎng)絡中的反向傳播算法，可以使其進行深度學習時，不斷優(yōu)化各個層級間出現(xiàn)的不同錯誤驅(qū)動，以便達到科學改進網(wǎng)絡參數(shù)的目的。作為前饋神經(jīng)網(wǎng)絡當中的一種類型，卷積神經(jīng)網(wǎng)絡是屬于其中重要的模型，能夠借助卷積核達到對描述空間加以擴展的效果，使模型自身的深度得以增加，并且，具體進行訓練時，無需對相關參數(shù)加以改進，進行自然語言處理的過程當中，一般需要把文本中的句子向量變成矩陣，經(jīng)過卷積以后，獲取相應的句向量特征。為此，合理運用前饋神經(jīng)網(wǎng)絡可謂十分關鍵。

3.2 神經(jīng)網(wǎng)絡詞向量分析

對人工智能神經(jīng)網(wǎng)絡自然語言處理技術加以運用的過程中，能夠借助神經(jīng)網(wǎng)絡的形式，科學分析文本中那些稀疏性很小、具有大規(guī)模的語料，一方面，能夠獲得十分復雜的上下文關系；另一方面，則能夠充分發(fā)揮出詞編碼技術的良好作用，體現(xiàn)出其擁有的分布式特點，即神經(jīng)網(wǎng)絡中的詞向量，能夠當成分詞工作，可謂是十分關鍵的準備工作。

3.3 遞歸神經(jīng)網(wǎng)絡說明

對于遞歸神經(jīng)網(wǎng)絡而言，目前受限于技術方面的發(fā)展，造成僅可以單獨的形式有效處理一個輸入?；谶M一步增強神經(jīng)網(wǎng)絡處理系統(tǒng)數(shù)據(jù)方面能力的目的，有關技術工作者能夠借助遞歸神經(jīng)網(wǎng)絡表達出時間的遞歸結(jié)構(gòu)，以便進行學習相關數(shù)據(jù)時，可以得到具體的序列關系，并且有效提升了訓練模型方面的記憶力，實現(xiàn)前后輸入之間的密切關聯(lián)?；谶f歸神經(jīng)網(wǎng)絡下，以構(gòu)建相應深度學習模型作為目的，一般會運用涵蓋三個隱含層的神經(jīng)網(wǎng)絡完成構(gòu)建模型的任務。假如失去信息時刻之后，則需要結(jié)合隱含層中遞歸，以便產(chǎn)生由輸入層至隱含層連接權的相應權值參數(shù)矩陣，與此同時，可以對具體的偏置向量、激活函數(shù)加以準確計算。參考遞歸神經(jīng)網(wǎng)絡特點的基礎上，能夠達到反向傳播相關損失函數(shù)實例的效果，并且依靠低度降低方式，明確相關網(wǎng)絡參數(shù)[3]。所以，通過合理運用遞歸神經(jīng)網(wǎng)絡方法，能夠在元模型的學習、機器翻譯等過程當中發(fā)揮出一定的作用。

4 深度學習在自然語言處理NLP中的具體運用

4.1 運用流程說明

深度學習在自然語言處理中運用的過程當中，需要科學應用梯度下降法，實際的運用流程為：（1）建立相應的模型框架。結(jié)合應該進行處理的相關內(nèi)容，確保所選用神經(jīng)網(wǎng)絡結(jié)構(gòu)的合理性，達到建立相應深度學習模型框架的目的。（2）仔細檢查模型。合理運用梯度下降法，完成檢查模型的任務，對存在的有關漏洞加以檢查和分析，明確其滿足相關規(guī)定與否。（3）實現(xiàn)模型的初始化效果。在仔細檢查之后，科學優(yōu)化相關模型，以便達到彌補其中的漏洞與缺陷的目的，科學改進有關模型的參數(shù)。（4）不斷改進相關模型。合理運用正則化方法，針對不符合相關規(guī)定的模型參數(shù)及時加以改進，以便達到相關擬合規(guī)定。

4.2 運用措施分析

4.2.1 做好分詞、詞性的標注工作

對于分詞來說，依據(jù)有關規(guī)定，達到重新組合來連續(xù)字序的效果，同時把其組合為全新的詞序列。在標注詞性時，則確保詞性標注的準確性，比如，此詞為形容詞、動詞等。通過加大對深度學習法的運用力度，能夠進行詞性的標注、語義角色的標注、命名實體的辨識等工作。

4.2.2 科學分析句法

即合理分析句子的語法、不同語法間存在的關系情況?？茖W運用深度學習法，能夠達到以自動的形式，辨識句子句法單位的目的，梳理不同句法單位間存在的聯(lián)系，通過科學輸入某個已經(jīng)給定的句子，合理運用語法的特點，完成對短語結(jié)構(gòu)樹建立的任務，有效加以處理。

4.2.3 認真學習詞義

運用深度學習的過程中，需要重視對詞義的學習，發(fā)揮出相關無監(jiān)督學習制度的良好作用。在對深度神經(jīng)網(wǎng)絡模型建立的過程中，應該科學運用此模型，并且參考文本中的上下文情況，科學加以分析，以便獲取到最佳的詞義表達形式，同時掌握詞義隱含的詞匯，達到準確解析同名歧義詞的目的。假如為多個多義性的詞向量，則能夠采用對模型優(yōu)化的方法，使詞向量的語義得到豐富，確保表達的準確性。

4.2.4 加強對情感的科學分析

在合理運用深度學習方式分析情感的過程中，需要建立相應的情感分析模型，并且借助深度神經(jīng)網(wǎng)絡的訓練部分，有效完成標注相關情感標簽句子的任務，同時參考相應的規(guī)律和上下文的特點，可以達到預測所標注外句子情感特點的效果，然后進一步深入分析文檔級、語句級等方面的情感色彩情況。顯然，此項措施可以發(fā)揮出高級情感分析的良好功效，通過有效利用深度學習方法，提升了自然語言處理的整體效率。

5 當前呈現(xiàn)出來的不足與未來發(fā)展形勢

5.1 相關學習模型存在的不足和發(fā)展形勢

盡管進行自然語言處理的過程當中，運用了先進的深度學習算法模型，比如，循環(huán)神經(jīng)網(wǎng)絡和遞歸神經(jīng)網(wǎng)絡等等，并且獲得了明顯的成效。不過，現(xiàn)階段，國內(nèi)在自然語言處理深度學習方面的研究時間較短，依然呈現(xiàn)出諸多不同方面的不足，諸如深度網(wǎng)絡層數(shù)、正則化問題等等，所以，在未來的發(fā)展前景非常良好，對于網(wǎng)絡訓練速度應該進一步加快。

5.2 自動學習存在的不足和發(fā)展形勢

基于深度學習下的無監(jiān)督學習制度，現(xiàn)階段被廣泛運用到自然語言處理過程當中，同時包含了相關數(shù)據(jù)說明、特征提取等方面的內(nèi)容，不過實際應用的過程當中，假如把通過人工選用的顯著特點規(guī)律和整個訓練的過程加以有效結(jié)合，卻提高了相應的困難程度[4]。所以，應該結(jié)合自然語言語義的選取情況，構(gòu)建相應的深度模型結(jié)構(gòu)，實現(xiàn)知識結(jié)合的過程當中，應該將首層當作主要融合的進入點，進而達到增強模型的自主學習能力。

6 結(jié)語

綜上所述，作為全新的機器學習技術之一，深度學習的重要性與價值是毋庸置疑的。依靠對人腦機制的有效模擬，構(gòu)建相應的深層神經(jīng)網(wǎng)絡，能夠有效闡釋與分析相應圖像、文本等信息，所以獲得了合理運用。從當前的情況來看，進行自然語言處理的過程當中，提高了對深度學習的利用率，不過實際應用的過程當中仍然呈現(xiàn)出很大的不足，有待進一步加以分析與完善。