引言

下圖是一則電影評論的留言，大家乍看之下，會覺得這是一則好評還是負評呢？

圖片來源：Dcard

即便是我們看這則評論，在缺乏上下文的情況下，可能也會覺得有點難判斷>< 那電腦是否可以判斷一則評論是正面或負面呢？

這就是一個典型的 NLP 任務：情感分析 (Sentiment Analysis)。

但 NLP 的世界不只情感分析，還有非常多元的應用。今天就來了解一下 NLP 跟計算語言學的關係，也來盤點一下 NLP 的主要任務有哪些～

計算語言學（Comutational Linguistics)

計算語言學，顧名思義就是一個「計算機科學」和「語言學」結合的領域。在科技日新月異的發展下，人們開始想要讓電腦也可以理解語言，因此這門學科就誕生了。
計算語言學想解決的問題是，要怎麼讓傳統語言學所研究的語言的結構與法則，也可以讓電腦來做處理跟運算。那幾個語言學主要探討的子領域有：

• 句法學（Syntax）：研究句子的結構跟組成的規則。
• 語音學（Phonetics）：研究語音如何從人體產生，例如發音位置、聲音頻率。
• 音韻學（Phonology）：研究語音在語言系統裡的規律，例如音變、押韻。
• 形態學（Morphology）：研究詞（word）的內部結構，例如詞根、詞綴，以及詞形變化。
• 語意學（Semantics）：研究詞語和句子的意義，探討語言如何指涉世界。
• 語用學（Pragmatics）：研究語言在實際使用的現象，探討語境和意圖。

計算語言學的目標不只是「讓電腦讀懂語言」，更準確來說是希望能用電腦驗證語言學理論，最終能模擬語言的處理過程。因此計算語言學可說是在為 NLP 的應用打理論的基礎！

常見的 NLP 任務

「自然語言處理」其實是一個廣泛的詞，它還可以再分為兩個主要的子領域：自然語言理解（Natural Langauge Understanding, NLU）和自然語言生成 (Natural Language Generation, NLG)

圖片來源：https://botpress.com/tw/blog/natural-language-processing-nlp

因此 NLP 任務大致有三大類：

1. 基礎任務

讓電腦看懂語言的「基本單位」

• 斷詞（Word Segmentation）：將一句話分詞，例如：「我愛自然語言處理」→ [我][愛][自然語言][處理]
• 詞性標註（Part-of-Speech Tagging）：為詞語標記詞性，例如：「我愛自然語言處理」 → 我/代名詞, 愛/動詞, 自然語言處理/名詞
• 命名實體識別（Name Entity Recognition, NER）：辨識專有名詞像是人名或地名，例如：台灣、政治大學、周杰倫

2. 理解任務

讓電腦了解「這句話在說什麼？」

• 分類（Classification）：
  • 情感分析：評論是正面還是負面？
  • 垃圾郵件分類：這封信是不是垃圾郵件？
• 問答 (QA)：
  • 使用者問「台北今天天氣如何？」，系統需要理解使用者想取得天氣資訊
• 資訊抽取 (Information Extraction, IE)：
  • 從文章中抽取關鍵資訊，例如一篇新聞中，「誰做了什麼？」

3. 生成任務

讓電腦自己「生出一段話」

• 機器翻譯（Machine Translation）：Google 翻譯的中翻英功能。
• 文本摘要（Text Summarization）：抓取文章的主要信息，把長篇文章濃縮成短文。
• 對話生成（Dialogue Generation）：像 ChatGPT 與 Siri 那樣的對話系統。
• 文章續寫（Text Completion）：輸入一段文字作為開頭，讓電腦把後續補完。

結語

計算語言學與自然語言處理，兩個領域並沒有明確的邊界，可以簡單理解為 CL 是理論基礎而 NLP 是實踐應用。兩者是相輔相成、手牽著手的好朋友～～

那麼目前 NLP 基礎概念介紹的主題到今天告一段落，明天開始會進入到下一個主題「語料處理」！！

References

• 計算語言學 (Computational Linguistics)
• 什麼是 AI 中的自然語言處理 （NLP）？