我计划今年学习自然语言处理。
但是当我开始阅读关于这个主题的介绍性书籍时，我发现我错过了许多与数学有关的要点。
所以我在这里寻找我应该学习的东西，然后才能学会nlp，那么，更顺利？
提前致谢。
答案 0 :(得分：42)
现在有两种主要的NLP方法 - 一种是由Jurafsky和Martin（Speech and Language Processing详述的基于语言的方法），另一种是基于概率和统计的方法（Foundations of Statistical Natural Language Processing） 。
我谈过的大多数人倾向于更喜欢后者，只要容易提升和有用的结果。因此，我建议首先考虑概率论，然后处理一本NLP书（就像我链接到的第二本书，我实际上正在项目中使用它，效果非常好）。
虽然我同意劳拉认为形式语言理论非常有用，但我实际上认为，如果你只是想进入NLP的实际NL部分，你可以留下正式的语言，因为有足够的工具可以做您的词法分析/解析/标记化/文本转换，您可以使用它们而不是自己动手。
这是一本描述三种这样的工具的书 - 我拥有它并推荐它作为对这三种工具的一个很好的介绍。 Building Search Applications: Lucene, LingPipe, and Gate
编辑：在回答你的问题时，我会说第一步是彻底了解概率的基础知识（任何本科概率/统计书的前3-5章都应该没问题），以及然后从那里查找新的主题，因为它们出现在NLP书中。例如，昨天我不得不学习t值或其他东西（我的名字不好），因为它们恰好与确定搭配的发生率有关。
答案 1 :(得分：7)
Coursera上有两个优秀的NLP课程（Dan Jurafsky and Christopher Manning或Michael Collins）
答案 2 :(得分：6)
我还建议研究逻辑 - 初学者的一阶谓词逻辑，还有高阶逻辑（这对于推理信念，意图，知识等有用 - 即考虑声明“月亮是制造的”绿色奶酪“vs”我认为月亮是由绿色奶酪制成的。“
学习逻辑对于处理意义表示很有用。语法，语言等对解析等很有用，但是语言不能简单地解析成一个易于解析的语法，因为我们是人类：）
上一张海报提到了统计数据和概率 - 在当前的方法中非常重要。您可能还想看看Judea Pearl在概率推理网络方面的工作。
您可能还想看一些像CYC这样的项目。它起源于表达常识知识的项目（最终语言用于输入意义，并且必须表示意义，因此知识表示非常重要）。他最初是以基于帧的方法开始的，但最后看起来他基本上使用的是一阶逻辑的变体。
来自CYC项目的一些人在语义网上工作，这也是关于意义表示的，你会注意到语义网表示再次是与一阶谓词逻辑相当的XML。
答案 3 :(得分：2)
您肯定需要的一件事是在形式语言领域（自动机，无上下文语法，上下文敏感语法）的良好知识。我见过的大部分内容在很大程度上依赖于此 - 在我看来，最好的初学者书是Hopcroft，Ullman＆amp; co。的“形式语言简介”。
我也看到了一些与神经网络有关的技术，但我对这些技术知之甚少。
第三种技术（有点从形式语言领域发展而来）是基于分子计算 - 不确定它的使用范围有多广泛。我会查看A. Paun的书。
答案 4 :(得分：0)
我自己刚进入这个领域，但如果你不确定开始使用什么编程语言，我会推荐Python。这是对该主题的大量研究的简单答案。 Python易于掌握，功能多样，适用于各种计算任务，并且被广泛采用。非常适合NLP。有关Python以及如何在NLP中使用它的介绍，我推荐这本书：
使用Python进行自然语言处理 ---使用Natural Language Toolkit分析文本 作者：Steven Bird，Ewan Klein和Edward Loper
Codecademy也会引导您学习Python。 http://www.codecademy.com
希望它有所帮助。