【AI 算法評測】BERT 對 NLP 效果的改善，不負衆望！

AI 在各大領域的發展有目共睹，而做爲人工智能皇冠上的明珠--天然語言處理卻成果了了，大多實現或者以半成品的形式躺在實驗室中，或者僅僅做爲某個產品的輔助功能。
而這一狀況在 BERT 出現後出現了很大的改善。

本文就是經過一款工具的介紹，帶你們瞭解下 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，每隔段時間都會有很是大的更新）
話很少說，先上截圖：

真的是讓人驚訝！
在目前的工業 NLP 中，數個相似 詞性標註、命名實體識別、實體關係抽取、內容理解、意圖識別等任務雖然處於不斷進步中，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，經過使用 BERT 算法，這個工具依然實現了巨大的突破。
你們能夠自行前往體驗：

http://enpuz.com/The-instant-I-did-it-I-knew-I-had-made-a-mistake.=

這裏提醒下，目前這個工具限制所輸入的英語句子長度，通過評測君體驗，不算標點差很少是 12 個單詞左右，雖然足夠知足學生的需求，但在現實環境中，不得不說是一個較大的限制，比較使人遺憾，但願將來會放開限制！

以下是轉自 Standford Parser 的算法截圖：

這裏能夠對應的看下使用 BERT 算法帶來的變化：

能力提高：

1. 支持識別句子類型，如陳述句、疑問句、祈使句。
2. 支持分析複雜句的句子結構，如主語從句、賓語從句、定語從句、表語從句、狀語從句。
3. 支持分析並列句的句子結構，如並列句、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. 能有效處理未登陸詞。
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、固定搭配對應的類似短語
12. 具備較強的命名實體識別能力。
13. 具備較強的關係提取能力。
14. 具備完整的意圖識別能力。
15. 具備較強的推理能力。
16. 具備必定的自學習能力。

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、短語翻譯覆蓋率不足。
4. 缺乏反義詞、近義詞等常見詞典工具具有的數據。
5. 內容表現單一。

固然三、四、5跟算法自己關係不是特別大。

 

總結
做爲少有的以 nlp 能力爲主打的產品，儘管有諸如長度、不支持口語等限制，評測君仍是比較期待這款工具將來的變化。
你們也能夠去體驗：http://enpuz.com/若是評測內容不實不許，歡迎私信。碼字不易，求贊求推薦！