AI 在各大領域的發展有目共睹，而作為人工智能皇冠上的明珠--自然語言處理卻成果了了，大多實作或者以半成品的形式躺在實驗室中，或者僅僅作為某個產品的輔助功能，
而這一情況在 BERT 出現后出現了很大的改善，
本文就是通過一款工具的介紹，帶大家了解下 BERT 對 NLP 實際效果帶來的巨大改變，
（目前工具還在內測中，評測君暗中觀察到，每隔段時間都會有非常大的更新）
話不多說，先上截圖：
真的是讓人驚訝！
在目前的工業 NLP 中，數個類似 詞性標注、命名物體識別、物體關系抽取、內容理解、意圖識別等任務雖然處于不斷進步中，但依然距離實際應用有較大距離，主要是 Bad case 太多、結果太不可預測、人工干預乏力，很難相信，在這樣的技術屏障下，通過使用 BERT 演算法，這個工具依然實作了巨大的突破，
大家可以自行前往體驗：
http://enpuz.com/The-instant-I-did-it-I-knew-I-had-made-a-mistake.=
這里提醒下，目前這個工具限制所輸入的英陳述句子長度，經過評測君體驗，不算標點差不多是 12 個單詞左右，雖然足夠滿足學生的需求，但在現實環境中，不得不說是一個較大的限制，比較令人遺憾，希望未來會放開限制！
如下是轉自 Standford Parser 的演算法截圖：
這里可以對應的看下使用 BERT 演算法帶來的變化：
能力提升：
1. 支持識別句子型別，如陳述句、疑問句、祈使句，
2. 支持分析復雜句的句子結構，如主語從句、賓語從句、定語從句、表語從句、狀語從句，
3. 支持分析并列句的句子結構，如并列句、轉折句、讓步句，
4. 支持分析主句、從句的時態，
5. 支持分析句子中包含的核心語法、固定搭配、動詞短語，
6. 支持疑問句、倒裝句、省略句等特殊句子的內在結構，
7. 支持識別人名、地名，
8. 能有效處理未登錄詞，
9. 能給出重點短語、固定搭配的翻譯
10. 能給出重點短語、固定搭配的例子、用法、語法擴展
11. 能給出重點短語、固定搭配對應的相似短語
12. 具有較強的命名物體識別能力，
13. 具有較強的關系提取能力，
14. 具有完整的意圖識別能力，
15. 具有較強的推理能力，
16. 具有一定的自學習能力，
可能的不足：
1. 長度限制，只支持 12 個單詞，
2. 不支持成分缺失較多的口語，
3. 單詞、短語翻譯覆寫率不足，
4. 缺少反義詞、近義詞等常見詞典工具具備的資料，
5. 內容表現單一，
當然3、4、5跟演算法本身關系不是特別大，
總結
作為少有的以 nlp 能力為主打的產品，盡管有諸如長度、不支持口語等限制，評測君還是比較期待這款工具未來的變化，
大家也可以去體驗：http://enpuz.com/
如果評測內容不實不準，歡迎私信，
碼字不易，求贊求推薦！
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/194797.html
標籤：其他
上一篇：用PyTorch對Leela Zero進行神經網路訓練
下一篇：PYTHON替代MATLAB在線性代數學習中的應用(使用Python輔助MIT 18.06 Linear Algebra學習)