新NLP模型

　　另一個承諾是，深度學習方法有助于開發全新的模型。

　　一個很好的例子是，使用能夠學習和判斷超長序列輸出的循環神經網絡。 這種方法與從前的完全不同，因為它們允許NLP從業者擺脫傳統的建模假設，并實現最先進的結果。

　　Yoav Goldberg在其NLP深度學習的專著《自然語言處理的神經網絡方法》第xvii頁指出，像循環神經網絡這樣復雜神經網絡模型可以帶來全新的NLP建模機會。他說，“在2014年左右，該領域已經開始看到，在從稀疏輸入的線性模型到稠密輸入的非線性神經網絡模型的轉換方面，已取得了一些成功。 。……其他的變化更高級，需要研究者改變思維，并能帶來新的建模機會。特別是，基于循環神經網絡（RNNs）的一系列方法減輕了對序列模型中普遍存在的馬爾可夫假設的依賴，允許以任意長序列為條件，并產生了有效的特征提取器。 這些進步導致了語言建模、自動機器翻譯和其他應用的突破。”

　　特征學習

　　深度學習方法具有學習特征表示的能力，不必要求專家從自然語言中人工指定和提取特征。

　　NLP研究員Chris Manning在自然語言處理深度學習課程的第一次講座中突出了這方面的觀點。

　　他描述了人工定義輸入特征的局限性：按照這種方法，在之前的應用中，機器學習只是在統計NLP中證明人類事先定義的特征，并且計算機幾乎沒有學習。

　　Chris 認為，深度學習方法帶來的承諾是自動特征學習。 他強調，特征學習是自動的，而不是人工；它易于適應，不脆弱，并可以不斷自動地改善。

　　Chris Mining 在2017年的《自然語言處理與深度學習》講座第一講幻燈片中說，“一般來說，我們人工設計的特征往往被過度地指定，它們不完整，需要很長時間才能設計和驗證，會讓你忙活一天后只能達到有限的性能水平。而深度學習到的特征易于適應，能快速訓練，它們可以持續學習，以便達到以前未能實現的、更好的性能水平。

　　持續改進

　　NLP的深度學習的另一個承諾是，在挑戰性問題上持續快速改進。

　　在《自然語言處理與深度學習》講座第一講中，Chris Manning表示，深度學習的方法很受歡迎，因為它們很管用。他說，“深度學習對大多數人來說如此令人興奮的真正原因是，它確實管用。“

　　他強調，深度學習的初步結果令人印象深刻。深度學習在語音領域的表現比過去30年中任何其他方法的表現都更好。

　　Chris 提到，深度學習帶來的不僅是最先進的成果，而且是不斷改進的進步速度。他說，”……在過去的六七年中，非常令人驚嘆的是，深度學習方法一直在不斷改進，并以驚人的速度變得更好。 我其實想說，這是前所未有的，我看到這個領域飛速地進展，每個月都會推出更好的方法。“