權杖化：

權杖化將原始文字 分割成一連串的權杖，例如字詞或子字詞部分。權杖化通常是 NLP 處理流程管道的第一個步驟。權杖通常是文字的循環順序，在稍後處理時會視為原子單位。

詞袋模型：

詞袋模型將文件視為無序的權杖或字詞的集合 (一個詞袋就像一個集合，只是它會追蹤每個元素出現的次數)。由於他們完全忽略單字順序，詞袋模型將用「狗咬人」等句子與「人咬狗」。不過，詞袋模型經常用來提昇大型資訊擷取任務的效率。他們可以對較長的文件產生接近最先進的結果。

停止文字移除：

「停止文字」是稍後處理時忽略的權杖。它們通常是簡短且經常使用的字詞，例如「a」、「the」或「an」。詞袋模型與搜尋引擎通常會忽略停用詞，以減少資料庫內的處理時間與儲存。深度神經網路通常會將詞序考慮在內 (也就是說，它們不是詞袋模型)，並且不去除停用詞，因為停用詞可以表達意義上的細微區別（例如「包裹弄丟」和「包裹掉了」的意思不一樣，儘管在去除停用詞後它們是一樣的）。

詞幹提取和詞形還原：

語素是語言中最小的含意元素。一般來說，語素比文字小。例如，「revisited」包含字首的「re」，詞幹「visit」和過去式字尾「-ed」。詞幹提取和詞形還原會將字詞對應到它們的詞幹形式 (例如，「revisit」+過去式)。但深度學習模型通常都從訓練資料中學習這些規則，因此不需要明確的詞幹提取或詞形還原步驟。

詞性標記和語法剖析：

詞性標籤 (PoS) 是給每個詞貼上其詞性標籤的過程 (例如，名詞、動詞、形容詞等)。語法剖析器可識別字詞如何結合成片語、子句及整個句子。PoS 標記是一種順序標籤任務，語法剖析是一種延伸的序列標籤任務，深度神經網路是 PoS 標記和語法剖析的最先進技術。在深度學習之前，PoS 標記和語法剖析是句子理解的必要步驟。