演算法自然語言的優缺點

Ⅰ 自然語言為什麼不適合直接作為編程語言

首先我們要了解什麼是自然語言，比如漢語、英語、德語等一系列人與人之間用於溝通的語言，而編程語言則分為高級語言(如C、Java、C#、Python等)和低級語言(匯編語言).

計算機在長期的歷史發展中，經過那麼多科學家的研究，設計出了我們現在用的計算機，其中的坎坷與困難很難想像，如何將我們的實際問題轉化為底層器件的運算，在解決這個問題的同時，就產生了高級編程語言、匯編語言以及計算機。

自然語言為什麼不合適做編程語言，是因為自然語言經過了長期的發展，有太多不適用做編程語言的地方，其中最明顯的是二義性，如不同音量和語氣，以及說話上下文，就會使一段話表現不同的含義，計算機只是一個按部就班執行任務和程序的傻瓜，你給的命令如果存在多種意思，電腦是無法理解的，所以這個時候我們需要特殊的編程語言來告訴計算機我們的真實意圖。

程序員在開發一個功能普遍的做法都是：自然語言描述需求------>解決問題的演算法------->用程序語言描述演算法，這樣就可以將實際問題轉化為嚴格的順序指令，可以讓計算機按照順序去執行並解決我們的需求。

Ⅱ 4、 說明什麼是演算法,演算法的描述方法,各種方法的特點是什麼.

第一問、答：為解決某一問題而設計的確定的有限的步驟就稱為演算法
第二問、答：自然語言、流程圖、偽代碼或程序設計語言
第三問、答：
自然語言
用自然語言表示演算法,人比較容易理解,但書寫較煩瑣,具有不確切性,容易引起歧義,造成誤解；
對較復雜的問題,用自然語言難以表達准確；
計算機不能識別和執行.
流程圖
用圖形符號表示演算法必須要有一組統一規定、含義確定的專用符號；
用流程圖表示演算法就較直觀、形象；
計算機不能識別和執行.
偽代碼或程序設計語言
只有用計算機能理解和執行的程序設計語言把演算法表示出來,輸入計算機執行,計算機才能按照預定的演算法去解決問題；
不同類型的計算機能夠識別的指令和語言不盡相同,即使對同一種計算機語言,不同類型的計算機對該語言的翻譯程序也有差異.

Ⅲ nlp演算法是什麼呢

1、nlp演算法是自然語言處理演算法。自然語言處理( Natural Language Processing, NLP)是計算機科學領域與人工智慧領域中的一個重要方向。它研究能實現人與計算機之間用自然語言進行有效通信的各種理論和方法。

2、自然語言處理（nlp）是一門融語言學、計算機科學、數學於一體的科學。因此，這一領域的研究將涉及自然語言，即人們日常使用的語言，所以它與語言學的研究有著密切的聯系，但又有重要的區別。

3、自然語言處理（nlp）並不是一般地研究自然語言，而在於研製能有效地實現自然語言通信的計算機系統，特別是其中的軟體系統。因而它是計算機科學的一部分。

4、自然語言處理（nlp）主要應用於機器翻譯、輿情監測、自動摘要、觀點提取、文本分類、問題回答、文本語義對比、語音識別、中文OCR等方面。

5、自然語言（nlp）的形式（字元串）與其意義之間是一種多對多的關系。其實這也正是自然語言的魅力所在。但從計算機處理的角度看，我們必須消除歧義，而且有人認為它正是自然語言理解中的中心問題，即要把帶有潛在歧義的自然語言輸入轉換成某種無歧義的計算機內部表示。

Ⅳ 演算法可以使用哪些描述方式，各有什麼優勢

演算法的描述方式有：自然語言，流程圖，偽代碼等。

1、自然語言的優勢：自然語言即人類語言，描述的演算法通俗易懂，不用專門的訓練，較為靈活。

2、流程圖的優勢：流程圖描述的演算法清晰簡潔，容易表達選擇結構，不依賴於任何具體的計算機和計算機程序設計語言，從而有利於不同環境的程序設計。

3、偽代碼的優勢：迴避了程序設計語言的嚴格、煩瑣的書寫格式，書寫方便，同時具備格式緊湊，易於理解，便於向計算機程序設計語言過渡的優點。

(4)演算法自然語言的優缺點擴展閱讀：

演算法使用偽代碼的目的是使被描述的演算法可以容易地以任何一種編程語言實現。

因此，偽代碼必須結構清晰、代碼簡單、可讀性好，並且類似自然語言。 介於自然語言與編程語言之間，以編程語言的書寫形式指明演算法職能。

偽代碼只是像流程圖一樣用在程序設計的初期，幫助寫出程序流程。簡單的程序一般都不用寫流程、寫思路，但是復雜的代碼，還是需要把流程寫下來，總體上去考慮整個功能如何實現。

Ⅳ 用自然語言描述演算法直觀,不會產生歧義,容易理解

用
自然語言
描述演算法直觀,不會產生歧義,容易理解，這是錯誤的。
用自然語言描述演算法比較容易接受,但敘
述冗長,容易產生「歧義」.用流程圖描
述演算法比較清晰、直觀,不容易產生「歧
義」。

Ⅵ AI PM應該懂的自然語言處理（NLP）知識

NLP是人工智慧的一個子領域，作為AI產品經理，我們至少要知道NLP是什麼，它能做什麼事，這樣我們就能獲得一種解決問題的思維，將遇到的問題和方法連接起來。接下來我從「NLP是什麼、能做什麼、目前遇到的難題」三個方面來簡單介紹下NLP。

一．什麼是NLP

NLP，中文叫自然語言處理，簡單來說，是一門讓計算機理解、分析以及生成自然語言的學科，大概的研究過程是：研製出可以表示語言能力的模型——提出各種方法來不斷提高語言模型的能力——根據語言模型來設計各種應用系統——不斷地完善語言模型。

NLP理解自然語言目前有兩種處理方式：

1.基於規則來理解自然語言，即通過制定一些系列的規則來設計一個程序，然後通過這個程序來解決自然語言問題。輸入是規則，輸出是程序；

2.基於統計機器學習來理解自然語言，即用大量的數據通過機器學習演算法來訓練一個模型，然後通過這個模型來解決自然語言問題。輸入是數據和想要的結果，輸出是模型。

接下來簡單介紹NLP常見的任務或應用。

二．NLP能做什麼：

1.分詞

中文可以分為字、詞、短語、句子、段落、文檔這幾個層面，如果要表達一個意思，很多時候通過一個字是無法表達的一個含義的，至少一個詞才能更好表達一個含義，所以一般情況是以「詞」為基本單位，用「詞」組合來表示「短語、、句子、段落、文檔」，至於計算機的輸入是短語或句子或段落還是文檔就要看具體的場景。由於中文不像英文那樣詞與詞之間用空格隔開，計算機無法用區分一個文本有哪些詞，所以要進行分詞。目前分詞常用的方法有兩種：

（1）基於規則：Heuristic（啟發式）、關鍵字表

（2）基於機器學習/統計方法：HMM（隱馬爾科夫模型）、CRF（條件隨機場）

（註：在這里就不具體介紹方法的原理和實現過程了，大家感興趣，可以自行網路了解）

現狀分詞這項技術非常成熟了，分詞的准確率已經達到了可用的程度，也有很多第三方的庫供我們使用，比如jieba，所以一般在實際運用中我們會採用「jieba+自定義詞典」的方式進行分詞。

2.詞編碼

現在把「我喜歡你」這個文本通過分詞分成「我」、「喜歡」、「你」三個詞，此時把這三詞作為計算機的輸入，計算機是無法理解的，所以我們把這些詞轉換成計算機能理解的方式，即詞編碼，現在普遍是將詞表示為詞向量，來作為機器學習的輸入和表示空間。目前有兩種表示空間：

（1）離散表示：

A.One-hot表示

假設我們的語料庫是：

我喜歡你你對我有感覺嗎

詞典{「我」：1，「喜歡」：2，「你」:3,「對「：4，「有」：5，「感覺」：6，「嗎」：7} 。一共有七個維度。

所以用One-hot表示：

「我」  ：[1, 0, 0, 0, 0, 0, 0]

「喜歡」：[0, 1, 0, 0, 0, 0, 0]

········

「嗎」  ：[0, 0, 0, 0, 0, 0, 1]

即一個詞用一個維度表示

B.bag of word：即將所有詞的向量直接加和作為一個文檔的向量。

所以「我 喜歡 你」就表示為：「[1, 1, 1, 0, 0, 0, 0]」。

C. Bi-gram和N-gram（語言模型）：考慮了詞的順序，用片語合表示一個詞向量。

這三種方式背後的思想是：不同的詞都代表著不同的維度，即一個「單位」（詞或片語合等）為一個維度。

（2）分布式表示：word2vec，表示一個共現矩陣向量。其背後的思想是「一個詞可以用其附近的詞來表示」。

離散式或分布式的表示空間都有它們各自的優缺點，感興趣的讀者可以自行查資料了解，在這里不闡述了。這里有一個問題，當語料庫越大時，包含的詞就越多，那詞向量的維度就越大，這樣在空間儲存和計算量都會指數增大，所以工程師在處理詞向量時，一般都會進行降維，降維就意味著部分信息會丟失，從而影響最終的效果，所以作為產品經理，跟進項目開發時，也需要了解工程師降維的合理性。

3.自動文摘

自動文摘是指在原始文本中自動摘要出關鍵的文本或知識。為什麼需要自動文摘？有兩個主要的原因：（1）信息過載，我們需要在大量的文本中抽出最有用、最有價值的文本；（2）人工摘要的成本非常高。目前自動文摘有兩種解決思路：第一種是extractive（抽取式），從原始文本中找到一些關鍵的句子，組成一篇摘要；另一種方式是abstractive（摘要式），計算機先理解原始文本的內容，再用自己的意思將其表達出來。自動文摘技術目前在新聞領域運用的最廣，在信息過載的時代，用該技術幫助用戶用最短的時間了解最多、最有價值的新聞。此外，如何在非結構的數據中提取結構化的知識也將是問答機器人的一大方向。

4.實體識別

實體識別是指在一個文本中，識別出具體特定類別的實體，例如人名、地名、數值、專有名詞等。它在信息檢索、自動問答、知識圖譜等領域運用的比較多。實體識別的目的就是告訴計算機這個詞是屬於某類實體，有助於識別出用戶意圖。比如網路的知識圖譜：

「周星馳多大了」識別出的實體是「周星馳」（明星實體），關系是「年齡」，搜索系統可以知道用戶提問的是某個明星的年齡，然後結合數據「周星馳  出生時間  1962年6月22日」以及當前日期來推算出周星馳的年齡，並把結果直接把這個結果顯示給用戶，而不是顯示候選答案的鏈接。

此外，NLP常見的任務還有：主題識別、機器翻譯、文本分類、文本生成、情感分析、關鍵字提取、文本相似度等，以後有時間再為大家做簡單介紹。

三．NLP目前存在的難點

1.語言不規范，靈活性高

自然語言並不規范，雖然可以找一些基本規則，但是自然語言太靈活了，同一個意思可以用多種方式來表達，不管是基於規則來理解自然語言還是通過機器學習來學習數據內在的特徵都顯得比較困難。

2.錯別字

在處理文本時，我們會發現有大量的錯別字，怎麼樣讓計算機理解這些錯別字想表達的真正含義，也是NLP的一大難點

3.新詞

我們處在互聯網高速發展的時代，網上每天都會產生大量的新詞，我們如何快速地發現這些新詞，並讓計算機理解也是NLP的難點

4.用詞向量來表示詞依然存在不足

上述，我們講到，我們是通過詞向量來讓計算機理解詞，但是詞向量所表示的空間，它是離散，而不是連續，比如表示一些正面的詞：好，很好，棒，厲害等，在「好」到「很好」的詞向量空間中，你是不能找到一些詞，從「好」連續到「很好」，所以它是離散、不連續的，不連續最大的問題就是不可導.計算機是處理可導的函數非常容易，不可導的話，計算量就上來了。當然現在也有一些演算法是計算詞向量做了連續近似化，但這肯定伴隨著信息的損失。總之，詞向量並不是最好的表示詞的方式，需要一種更好的數學語言來表示詞，當然可能我們人類的自然語言本身就是不連續的，或者人類無法創建出「連續」的自然語言。

小結：通過上述的內容，我們已經大概知道了「NLP是什麼、能做什麼以及目前存在的難題」。作為人工智慧產品經理，了解NLP技術能夠提高我們自己的技術理解力，在理解行業需求、推進項目開展都有非常大的幫助，其實這可以讓我們獲得是一種連接能力，將需求與工程師連接起來，將問題與解決方案連接起來。雖然NLP等人工智慧技術存在很多不足，但我們需要調整好自己的心態，人工智慧應用化才剛剛開始，必然是不夠完美的，不要成為批判者，而是成為人工智慧時代的推進者。

nt-sizf@�2W��

Ⅶ 使用自然語言來描述演算法的主要缺點是

因為沒有蘊含具體環境中的實現細節，故而未能指出達到理論性能的方法

Ⅷ 相對於自然語言來說，用流程圖描述演算法更形象，直觀，更容易正不正確

自然語言、優點:容易理解;缺點:書寫較煩、不確定性、對復雜的問題難以表達准確、不能被計算機識別和執行流程圖、優點:形象直觀、容易理解偽代碼、優點:簡潔易懂、修改容易;缺點:不直觀、錯誤不容易排查