我可能会倾向于人工智能，因为未来的市场人工智能占比还是较大的，这样你写论文的范围很广，比较容易
你好，目前人工智能，自然语言处理是比较前沿的，很多领域都在使用这些方法，如果你想更好发表论文的话，据我了解信息提取、图像识别和知识图谱这些都比较好发文章，如果你选择的导师有和一些其他领域合作那就是最好的，因为最容易发的就是你将这种方法应用到一些其他领域，然后在其他领域的期刊发文章，就我周围的话有应用在地理学和生态学中，希望我的回答对你有所帮助。
有很多，造假是不可取得。硕士研究生毕业论文数据造假不可取，后果很严重，学术红线不能踏。比如：1、这个学生为了毕业论文不惜数据造假！同学说他们学校的一个硕士生，毕业论文的数据是造假的，以为老师不会查。因为数据好得太明显了，老师跟他要源代码进行复核，才发现一切都是假的。2、北京某211的同学跟我说，他隔壁实验室一硕士生在做自然语言处理中机器翻译相关的毕业课题。这硕士生年前还没有什么进展，年后突然说做好了，而且数据非常漂亮，甚至超过了目前国际顶会上最优的性能，写完毕业论文给老师审核。老师看到这个理想的结果之后，估计感觉结果很好，可以试着拓展一下投稿人工智能的国际顶会。就让他把代码给博士生去复现一下，然后再拓展一下创新点写英文论文，想投稿最近的自然语言处理国际顶会（EMNLP2021），当然是给博士和硕士共同第一作者。
课程地址:
情感分析 （Sentiment analysis）又可以叫做 意见抽取 （Opinion extraction） 意见挖掘 （Opinion mining） 情感挖掘 （Sentiment mining） 主观分析 （Subjectivity analysis）等等。
引用的论文： Bo Pang, Lillian Lee, and Shivakumar Vaithyanathan. 2002. Thumbs up? Sentiment Classification using Machine Learning Techniques. EMNLP-2002, 79—86. Bo Pang and Lillian Lee. 2004. A Sentimental Education: Sentiment Analysis Using Subjectivity Summarization Based on Minimum Cuts. ACL, 271-278
另外需注意，Binarized (Boolean feature) Multinomial Naïve Bayes不同于Multivariate Bernoulli Naïve Bayes，MBNB在文本情感分析上的效果并不好。另外课中也提到可以用交叉验证的方式进行训练验证。
下面罗列了一些比较流行的词典：
当我们拿到一个词我们如何判断他在每个类别中出现的概率呢？以IMDB影评为例
但是！我们不能用单纯的原始计数（raw counts）方法来进行打分，如下图
可以看出，这些否定词同样可以作为单词极性的一个判断依据。
具体步骤为：
联合概率 / 独立的两个概率乘积
之后我们可以看一下统计结果，分别来自于用户好评和差评的统计：
可以看到极性划分的还不错
转自csdn
作者：刘知远链接：来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。昨天实验室一位刚进组的同学发邮件来问我如何查找学术论文，这让我想起自己刚读研究生时茫然四顾的情形：看着学长们高谈阔论领域动态，却不知如何入门。经过研究生几年的耳濡目染，现在终于能自信地知道去哪儿了解最新科研动态了。我想这可能是初学者们共通的困惑，与其只告诉一个人知道，不如将这些Folk Knowledge写下来，来减少更多人的麻烦吧。当然，这个总结不过是一家之谈，只盼有人能从中获得一点点益处，受个人认知所限，难免挂一漏万，还望大家海涵指正。1. 国际学术组织、学术会议与学术论文自然语言处理（natural language processing，NLP）在很大程度上与计算语言学（computational linguistics，CL）重合。与其他计算机学科类似，NLP/CL有一个属于自己的最权威的国际专业学会，叫做The Association for Computational Linguistics（ACL，URL：ACL Home Page），这个协会主办了NLP/CL领域最权威的国际会议，即ACL年会，ACL学会还会在北美和欧洲召开分年会，分别称为NAACL和EACL。除此之外，ACL学会下设多个特殊兴趣小组（special interest groups，SIGs），聚集了NLP/CL不同子领域的学者，性质类似一个大学校园的兴趣社团。其中比较有名的诸如SIGDAT（Linguistic data and corpus-based approaches to NLP）、SIGNLL（Natural Language Learning）等。这些SIGs也会召开一些国际学术会议，其中比较有名的就是SIGDAT组织的EMNLP（Conference on Empirical Methods on Natural Language Processing）和SIGNLL组织的CoNLL（Conference on Natural Language Learning）。此外还有一个International Committee on Computational Linguistics的老牌NLP/CL学术组织，它每两年组织一个称为International Conference on Computational Linguistics (COLING)的国际会议，也是NLP/CL的重要学术会议。NLP/CL的主要学术论文就分布在这些会议上。作为NLP/CL领域的学者最大的幸福在于，ACL学会网站建立了称作ACL Anthology的页面（URL：ACL Anthology），支持该领域绝大部分国际学术会议论文的免费下载，甚至包含了其他组织主办的学术会议，例如COLING、IJCNLP等，并支持基于Google的全文检索功能，可谓一站在手，NLP论文我有。由于这个论文集合非常庞大，并且可以开放获取，很多学者也基于它开展研究，提供了更丰富的检索支持，具体入口可以参考ACL Anthology页面上方搜索框右侧的不同检索按钮。与大部分计算机学科类似，由于技术发展迅速，NLP/CL领域更重视发表学术会议论文，原因是发表周期短，并可以通过会议进行交流。当然NLP/CL也有自己的旗舰学术期刊，发表过很多经典学术论文，那就是Computational Linguistics（URL：MIT Press Journals）。该期刊每期只有几篇文章，平均质量高于会议论文，时间允许的话值得及时追踪。此外，ACL学会为了提高学术影响力，也刚刚创办了Transactions of ACL（TACL，URL：Transactions of the Association for Computational Linguistics (ISSN: 2307-387X)），值得关注。值得一提的是这两份期刊也都是开放获取的。此外也有一些与NLP/CL有关的期刊，如ACM Transactions on Speech and Language Processing，ACM Transactions on Asian Language Information Processing，Journal of Quantitative Linguistics等等。根据Google Scholar Metrics 2013年对NLP/CL学术期刊和会议的评价，ACL、EMNLP、NAACL、COLING、LREC、Computational Linguistics位于前5位，基本反映了本领域学者的关注程度。NLP/CL作为交叉学科，其相关领域也值得关注。主要包括以下几个方面：（1）信息检索和数据挖掘领域。相关学术会议主要由美国计算机学会（ACM）主办，包括SIGIR、WWW、WSDM等；（2）人工智能领域。相关学术会议主要包括AAAI和IJCAI等，相关学术期刊主要包括Artificial Intelligence和Journal of AI Research；（3）机器学习领域，相关学术会议主要包括ICML，NIPS，AISTATS，UAI等，相关学术期刊主要包括Journal of Machine Learning Research（JMLR）和Machine Learning（ML）等。例如最近兴起的knowledge graph研究论文，就有相当一部分发表在人工智能和信息检索领域的会议和期刊上。实际上国内计算机学会（CCF）制定了“中国计算机学会推荐国际学术会议和期刊目录”（CCF推荐排名），通过这个列表，可以迅速了解每个领域的主要期刊与学术会议。最后，值得一提的是，美国Hal Daumé III维护了一个natural language processing的博客（natural language processing blog），经常评论最新学术动态，值得关注。我经常看他关于ACL、NAACL等学术会议的参会感想和对论文的点评，很有启发。另外，ACL学会维护了一个Wiki页面（ACL Wiki），包含了大量NLP/CL的相关信息，如著名研究机构、历届会议录用率，等等，都是居家必备之良品，值得深挖。2. 国内学术组织、学术会议与学术论文与国际上相似，国内也有一个与NLP/CL相关的学会，叫做中国中文信息学会（URL：中国中文信息学会）。通过学会的理事名单（中国中文信息学会）基本可以了解国内从事NLP/CL的主要单位和学者。学会每年组织很多学术会议，例如全国计算语言学学术会议（CCL）、全国青年计算语言学研讨会（YCCL）、全国信息检索学术会议（CCIR）、全国机器翻译研讨会（CWMT），等等，是国内NLP/CL学者进行学术交流的重要平台。尤其值得一提的是，全国青年计算语言学研讨会是专门面向国内NLP/CL研究生的学术会议，从组织到审稿都由该领域研究生担任，非常有特色，也是NLP/CL同学们学术交流、快速成长的好去处。值得一提的是，2010年在北京召开的COLING以及2015年即将在北京召开的ACL，学会都是主要承办者，这也一定程度上反映了学会在国内NLP/CL领域的重要地位。此外，计算机学会中文信息技术专委会组织的自然语言处理与中文计算会议（NLP&CC）也是最近崛起的重要学术会议。中文信息学会主编了一份历史悠久的《中文信息学报》，是国内该领域的重要学术期刊，发表过很多篇重量级论文。此外，国内著名的《计算机学报》、《软件学报》等期刊上也经常有NLP/CL论文发表，值得关注。过去几年，在水木社区BBS上开设的AI、NLP版面曾经是国内NLP/CL领域在线交流讨论的重要平台。这几年随着社会媒体的发展，越来越多学者转战新浪微博，有浓厚的交流氛围。如何找到这些学者呢，一个简单的方法就是在新浪微博搜索的“找人”功能中检索“自然语言处理”、 “计算语言学”、“信息检索”、“机器学习”等字样，马上就能跟过去只在论文中看到名字的老师同学们近距离交流了。还有一种办法，清华大学梁斌开发的“微博寻人”系统（清华大学信息检索组）可以检索每个领域的有影响力人士，因此也可以用来寻找NLP/CL领域的重要学者。值得一提的是，很多在国外任教的老师和求学的同学也活跃在新浪微博上，例如王威廉（Sina Visitor System）、李沐（Sina Visitor System）等，经常爆料业内新闻，值得关注。还有，国内NLP/CL的著名博客是52nlp（我爱自然语言处理），影响力比较大。总之，学术研究既需要苦练内功，也需要与人交流。所谓言者无意、听者有心，也许其他人的一句话就能点醒你苦思良久的问题。无疑，博客微博等提供了很好的交流平台，当然也注意不要沉迷哦。3. 如何快速了解某个领域研究进展最后简单说一下快速了解某领域研究进展的经验。你会发现，搜索引擎是查阅文献的重要工具，尤其是谷歌提供的Google Scholar，由于其庞大的索引量，将是我们披荆斩棘的利器。当需要了解某个领域，如果能找到一篇该领域的最新研究综述，就省劲多了。最方便的方法还是在Google Scholar中搜索“领域名称 + survey / review / tutorial / 综述”来查找。也有一些出版社专门出版各领域的综述文章，例如NOW Publisher出版的Foundations and Trends系列，Morgan & Claypool Publisher出版的Synthesis Lectures on Human Language Technologies系列等。它们发表了很多热门方向的综述，如文档摘要、情感分析和意见挖掘、学习排序、语言模型等。如果方向太新还没有相关综述，一般还可以查找该方向发表的最新论文，阅读它们的“相关工作”章节，顺着列出的参考文献，就基本能够了解相关研究脉络了。当然，还有很多其他办法，例如去上看著名学者在各大学术会议或暑期学校上做的tutorial报告，去直接咨询这个领域的研究者，等等。
如果方向太新还没有相关综述，一般还可以查找该方向发表的最新论文，阅读它们的“相关工作”章节，顺着列出的参考文献，就基本能够了解相关研究脉络了。当然，还有很多其他办法，例如去上看著名学者在各大学术会议或暑期学校上做的tutorial报告，去直接咨询这个领域的研究者，等等。
很抱歉，我是小学毕业的老糟头子。视频、图像处理，涉及领域非常广阔，任何一个应用，都可以写出无数篇有价值的论文。比如CT图像的电脑判读，比如润滑油的色度检测，比如违章人脸识别，比如人脸图像的历史年轮，视频特效，图像特效等等。至于自然语言，不知道你想说啥。计算机领域没有自然语言，只有程序语言。程序语言不外乎是C、Delphi，外加VB。如果你更专，那就必须会汇编语言。不管什么语言，必须能控制硬件、数据库、媒体文件、HTML5等等。但无论如何不要碰python，那是庞氏。搞程序，随便完成一个课题，都可以用代码来实现课题中的程序控制部分，写论文也很容易。其实不管选图像、视频处理，还是程序语言，关键是你得选择一个适合自己的课题，用你的计算机技术来完成这个课题，那就是论文了。
哎血泪教训一定要根据课题组现有基础和可以提供的平台决定，比如你师兄师姐在做什么，组里是否有GPU硬件和数据支持等。如果组里有传承是最好不过了，师兄师姐做过或在做的东西你选择的肯定不会错的，毕竟有人带头和指导～ 如果组里这两个方向都有人在做的话，建议和他们当面聊哈哈哈，利弊你自然就知道啦
人工智能比较好
计算机视觉和自然语言处理方向哪个好就业，计算机视觉好有特别的中文发论！
已经有 NLP( 我们可能地是目前在比较乐观的时期中) 的领域乐观主义和悲观的周期；虽然一些非常真正的进步已经被做，但是一般的 NLP 系统的目标保持难懂。历史地, 计算机科学家时常是甚远地太结束- 乐观的有关 NLP 的事,或许为被记录在上面的一些理由。 完全地从着手是清楚的是如此重要工作为什么很困难。 它是也重要的在自然语言之间有不同。 较多的工作或许已经在英国人上被做比较在任何其他的语言上,因为美国研究员的重要主要地, 虽然有欧洲和日本的非常活跃的工人。 然而，英国人是在一些方法中一种不典型的语言,如同它使用很少的屈曲而且很重地仰赖字次序一样。 教科书和很少地以英国语写成的其他介绍的来源为和显着不同文法的结构语言包含 NLP 的适当讨论。 我们能在处理 NL 方面至少区别三清楚的 '水平': 声音文法意义每个可能被区分为二或较多的次水平,在这里不需要与我们有关。 我在这做简短的介绍要在处理每个水平方面举例说明一些问题的。 考虑这三个字, 被来自英国的南方一位自然的英国语说者讲: 输入，吸入，收入。 很清楚地 , 所有的三个字包含元素在由于相同的意义。到输入要把某物放入；水泵的吸入是水被拿的地方在;你的收入是你赚得的钱,也就是 那进来。 元素是在发音吗相同的在所有的三个字中?(藉着被叙述的说者) 小心的听将会它不是。 字输入是显着的好像 spelt imput, 然而吸入是发音如 spelt。 如果我们用英国语通常让 N 代表声音 spelt ng(举例来说 在字同类中唱或歌手), 然后收入是因为摊派的款项英国人的许多说者不这样举止；当它是 spelt 的时候 , 改为他们一致地宣告所有的三个字的第一种元素 , 所以我叙述了来自英国的南方自然的英文说者,也就是 同样地在.( 当可能之时所有的英文说者当慢慢地而且强调地的时候) 有趣地，英文的说者是通常相当不知道的这些不同,在他们自己的演讲和其它的演讲都。这是不因为他们不能够区别三声音 m, 古怪的 n 和 N. 三个字, 跑，而且脚蹬横木只在这三种声音中和相当不一致对所有的自然英文的说者是清楚的。
如果方向太新还没有相关综述，一般还可以查找该方向发表的最新论文，阅读它们的“相关工作”章节，顺着列出的参考文献，就基本能够了解相关研究脉络了。当然，还有很多其他办法，例如去上看著名学者在各大学术会议或暑期学校上做的tutorial报告，去直接咨询这个领域的研究者，等等。
有乐观和悲观的周期在领域的NLP (我们当前可能到在一个更加乐观的阶段之内); 虽然一些非常真正的前进被做了，一个一般NLP系统的目标依然是逃避。 历史上，计算机学家经常是远太过于乐观关于NLP，大概着名的某些的原因以上。 是确切正确地从外边因而是重要的任务为什么是困难的。 It也是重要注意到，有自然语言之间的区别。 由于美国研究员的重要性更多工作在英语大概被完成了比在其他语言，主要，虽然有非常活跃工作者在欧洲和日本。 然而，因为它使用少量变化并且沉重依靠词序，英语在一些方面是一种非典型语言。 用英语和其他介绍来源写的课本很少包含关于语言的NLP的充分讨论与明显不同的语法结构。 We可能区别至少三个分明‘水平’在处理NL ： Sounds Grammar Meaning Each可以被划分成两个或多个分段，不需要有关我们这里。 什么我在这简要的介绍想要做是说明某些在处理每个水平的问题。 Consider这三个词，讲话由从英国的南部的一个当地讲英语者： 输入，入口，收入。 是确切全部三个词包含元素与同一个意思。 要输入是投入某事; 水泵的入口是水被采取的地方; 您的收入是您赢得，即进来的金钱。 Is元素在发音了同样在所有三个词(由指定的报告人) ？ 仔细听表示，它不是。 词输入是显著的，好象被拼写的imput，而入口发音如被拼写。 如果我们让声音通常被拼写的ng的N立场用英语(即在词象唱歌或歌手)，则收入是 因为苏格兰语英语许多报告人这样，不表现I指定了从英国的南部的当地讲英语者; 反而他们一贯地发音所有三个词的第一个元素，当它被拼写，即作为(象可以所有讲英语者，当慢慢地和强调地讲话)时。 Interestingly，讲英语者对这些区别通常是相当未察觉的，在他们自己的讲话和其他的讲话上。 这不是，因为他们不可能区别在三声音m、n和N.之间。 三个词兰姆酒、奔跑和阶在这三声音仅不同并且是相当分明的对所有当地讲英语者。
介绍自然语言处理 一个自然语言' （荷兰）是任何自然语言使用的人，即不是一种人为的或人为的语言，如一种编程语言。 '自然语言处理' （自由党）是一个方便的描述，所有企图利用计算机来处理自然语言。 [ 1 ]的NLP包括： 语音合成：虽然这可能不是乍一看似乎很'聪明' ，合成的自然冠冕堂皇的讲话，是在技术上复杂，几乎肯定需要一些理解，什么是口语，以确保举例来说，正确的语调。 语音识别：基本上是连续减少声波分立的话。 自然语言理解：这里当作从孤立的话（无论是书面或决心通过语音识别）的'意义' 。这可能涉及完整的模型系统或'前端' ，带动其它项目由荷兰命令。 自然语言生成：荷兰创造适当的反应不可预测的投入。 问题补充：这个想法的使用数字电脑的NLP是'旧' ，这可能是因为第一个利用计算机，打破军事守则在第二次世界大战中。一些计算机科学家似乎都认为，俄罗斯（例如）是英语在不同的代码。在这种情况下，因为代码可以被打破，因此可以俄文。这种想法假设有一个共同'的含义基地'的所有自然语言，无论其表面的分歧。压倒一切的共识，语言学家是，这是不正确的。 人工语言处理'的形式，编译器和口译编程语言，是一个关键组成部分，成功的数字化电脑从最早的天。这一成功无疑鼓舞研究的NLP （还鼓励和乐观的态度） 。
有乐观和悲观的周期在领域的NLP (我们当前可能到在一个更加乐观的阶段之内); 虽然一些非常真正的前进被做了，一个一般NLP系统的目标依然是逃避。 历史上，计算机学家经常是远太过于乐观关于NLP，大概着名的某些的原因以上。 是确切正确地从外边因而是重要的任务为什么是困难的。 It也是重要注意到，有自然语言之间的区别。 由于美国研究员的重要性更多工作在英语大概被完成了比在其他语言，主要，虽然有非常活跃工作者在欧洲和日本。 然而，因为它使用少量变化并且沉重依靠词序，英语在一些方面是一种非典型语言。 用英语和其他介绍来源写的课本很少包含关于语言的NLP的充分讨论与明显不同的语法结构。 We可能区别至少三个分明‘水平’在处理NL ： Sounds Grammar Meaning Each可以被划分成两个或多个分段，不需要有关我们这里。 什么我在这简要的介绍想要做是说明某些在处理每个水平的问题。 Consider这三个词，讲话由从英国的南部的一个当地讲英语者： 输入，入口，收入。 是确切全部三个词包含元素与同一个意思。 要输入是投入某事; 水泵的入口是水被采取的地方; 您的收入是您赢得，即进来的金钱。 Is元素在发音了同样在所有三个词(由指定的报告人) ？ 仔细听表示，它不是。 词输入是显著的，好象被拼写的imput，而入口发音如被拼写。 如果我们让声音通常被拼写的ng的N立场用英语(即在词象唱歌或歌手)，则收入是 因为苏格兰语英语许多报告人这样，不表现I指定了从英国的南部的当地讲英语者; 反而他们一贯地发音所有三个词的第一个元素，当它被拼写，即作为(象可以所有讲英语者，当慢慢地和强调地讲话)时。 Interestingly，讲英语者对这些区别通常是相当未察觉的，在他们自己的讲话和其他的讲话上。 这不是，因为他们不可能区别在三声音m、n和N.之间。 三个词兰姆酒、奔跑和阶在这三声音仅不同并且是相当分明的对所有当地讲英语者。
计算机视觉方向更有前景，不管是现在还是未来。NLP方向无非集中在翻译、推荐、搜索领域，另外的舆情分析，情感分析，语义理解，语义消歧等都是文本处理的一些辅助性手段，还有就是语音处理，科大讯飞做的很好，基本上处于垄断地位。其中翻译领域基本无法变现，没什么太大的商业价值，推荐领域集中在电商，音乐等领域，比较小众，一般公司用不起推荐，搜索领域更不用说。更重要的是NLP领域看不到有什么商用切入点。迄今为止没见过自然语言处理方向有哪个比较大的公司，也没见过过亿的投资，创业公司更是没有做相关内容的。用事实说话反观视觉方向，腾讯、阿里、百度都在投资，商汤、旷试科技都是巨头，过亿投资多的是，更重要的是视觉方向的商业切入点有很多，应用场景非常广阔，创业公司不在少数，现在比较火的是 医学影像分析和无人车，都是视觉相关方向，包括直播行业视觉也能切入。可以说视觉可以切入很多场景做分析。阿里布局 医学影像 Doctor You - 阿里健康两个一对比就能看出来哪个商业价值更大，现在是cv的，未来也是cv的，十年之内都是，当前机器学习、深度学习越繁荣，视觉方向的应用场景越广阔，视觉方向有比较好的切入点。
在自然语言处理的领域内有乐观与悲观的周期性存在（我们现在大概是出于乐观期）；虽然（技术上）真的有一些进步，但是达到一个全面自然语言处理系统的目标仍然遥不可及。（这里我没有用elusive的直译，难以捉摸，因为放进中文里会很怪，没有人说目标难以捉摸。）历史上，计算机专家有时对于自然语言处理（的挑战性）过于乐观，其原因很可能就是以上提到的（周期性）。因此从一开始就清楚这个（自然语言处理）的难度的原因是很重要的。同时，了解自然语言之间的不同也是很重要的一点。相对于其他自然语言来说，更多的研究重点放在了英文上，主要是因为美国研究者（在这个领域里）的重要性，尽管日本和欧洲也有很积极的研究学者。可是，在某一方面来讲，英文不是一个具有代表性的语言：它没有音调变化，并且严重依赖单词顺序。教课书和其他英文版的（自然语言处理）启蒙书籍几乎没有包括任何有关（与英语有）不同语法结构的语言的自然语言处理的合适论述。我们可以区别起码三个完全不同的自然语言处理级别：声音语法语义每一个都可以被再分为两到三个亚级别，但这不是本文的重点。在这个简介里我想要做的是阐明在处理每个级别中会遇到的一些问题。这里有以英文为母语的南英格兰人说的三个词：输入，纳入，收入(input, intake, income)；（请大家）思考这三个词。很显然的，三个词都有相同语义的元素。输入，指的是把什么东西放进去；抽水机的纳入指的是水被抽进去的地方，你的收入指的是你赚的钱（就是进你口袋的钱）。三个词中的in元素（在指定说话人的情况下）都发一样的音吗？如果注意听的话就会发现并不是这样。Input 这个词在发音的时候听起来像是拼法是imput的词，而intake听起来就和它的拼法一样。 如果我们用N代表English 里边ng的发音，那么Income就有点iNcome的感觉。我特地点出了说话者是从南英格兰来的本土人，因为很多苏格兰人说英文的时候都没有这种习惯，就像所有其他英文母语者在慢慢地富有感情的说这三个词的时候一样，他们都会将in的发音发成和它拼法一样。有趣的是，不论在他们自己或是其他人的言语中，以英文为母语者通常都不会注意到这些差别。这不是因为他们没办法分辨m ,n ,N 这三种发音。Rum, Run, Rung这三个词就只有m, n, N这三个发音处不同而已，所有英文母语者都可以很好的区别它们。
已经有 NLP( 我们可能地是目前在比较乐观的时期中) 的领域乐观主义和悲观的周期；虽然一些非常真正的进步已经被做，但是一般的 NLP 系统的目标保持难懂。历史地, 计算机科学家时常是甚远地太结束- 乐观的有关 NLP 的事,或许为被记录在上面的一些理由。 完全地从着手是清楚的是如此重要工作为什么很困难。 它是也重要的在自然语言之间有不同。 较多的工作或许已经在英国人上被做比较在任何其他的语言上,因为美国研究员的重要主要地, 虽然有欧洲和日本的非常活跃的工人。 然而，英国人是在一些方法中一种不典型的语言,如同它使用很少的屈曲而且很重地仰赖字次序一样。 教科书和很少地以英国语写成的其他介绍的来源为和显着不同文法的结构语言包含 NLP 的适当讨论。 我们能在处理 NL 方面至少区别三清楚的 '水平': 声音文法意义每个可能被区分为二或较多的次水平,在这里不需要与我们有关。 我在这做简短的介绍要在处理每个水平方面举例说明一些问题的。 考虑这三个字, 被来自英国的南方一位自然的英国语说者讲: 输入，吸入，收入。 很清楚地 , 所有的三个字包含元素在由于相同的意义。到输入要把某物放入；水泵的吸入是水被拿的地方在;你的收入是你赚得的钱,也就是 那进来。 元素是在发音吗相同的在所有的三个字中?(藉着被叙述的说者) 小心的听将会它不是。 字输入是显着的好像 spelt imput, 然而吸入是发音如 spelt。 如果我们用英国语通常让 N 代表声音 spelt ng(举例来说 在字同类中唱或歌手), 然后收入是因为摊派的款项英国人的许多说者不这样举止；当它是 spelt 的时候 , 改为他们一致地宣告所有的三个字的第一种元素 , 所以我叙述了来自英国的南方自然的英文说者,也就是 同样地在.( 当可能之时所有的英文说者当慢慢地而且强调地的时候) 有趣地，英文的说者是通常相当不知道的这些不同,在他们自己的演讲和其它的演讲都。这是不因为他们不能够区别三声音 m, 古怪的 n 和 N. 三个字, 跑，而且脚蹬横木只在这三种声音中和相当不一致对所有的自然英文的说者是清楚的。