上一篇文章提到了对迁移学习和模型训练的思考，及对未来工作方向的粗略预测，本篇将对各类代表性工作做具体介绍。

BERT发布之后，点燃了NLP各界的欢腾，各路神仙开始加班加点各显神通，很多相关工作被发表出来。本文会介绍其中的一些代表性工作，但更重要的是希望理清这些背后的逻辑，为它们归归类。通过这些思考，我自己也对NLP以后的工作方向有些预测，供大家参考。

我们以前文介绍的一个场景本体的实例，银行领域客服投诉分析挖掘的场景本体模型，来说明本体树辅助建模。模型包括三部分：本体模型、要素模型、概念模型。智能辅助建模将介绍如何利用机器学习算法和语义资源，辅助场景业务人员，自动或半自动化地构建具体场景应用中的OEC模型。本文将简单总结下OEC智能辅助建模的特色和优势。

我们以前文介绍的一个场景本体的实例，银行领域客服投诉分析挖掘的场景本体模型，来说明本体树辅助建模。模型包括三部分：本体模型、要素模型、概念模型。本文说明本体模型的辅助建模，也即本体表达式发现。

我们以前文介绍的一个场景本体的实例，银行领域客服投诉分析挖掘的场景本体模型，来说明本体树辅助建模。模型包括三部分：本体模型、要素模型、概念模型。本文说明本体树模型的辅助建模。

我们以前文介绍的一个场景本体的实例，银行领域客服投诉分析挖掘的场景本体模型，来说明本体树辅助建模。模型包括三部分：本体模型、要素模型、概念模型。本文说明本体树模型的辅助建模。

智能辅助建模（也称为“OEC智能辅助建模”）将介绍如何利用机器学习算法和语义资源，辅助场景业务人员，自动或半自动化地构建具体场景应用中的OEC模型。本文是辅助建模系列文章的第一篇，将介绍辅助建模的概念、工具和基本功能。

什么是NLP的可解释性

知识图谱是以图谱的形式表明实体之间的关系，而如何从文本中挖掘实体之间、实体与属性的关系则是我们今天想要讲述的~这里以裁判文书中的实体关系抽取为例说明。

作为泰岳语义工厂公开课的第一课，我们来给大家介绍下NLP的前世今生。希望大家了解过后，能够对这个领域产生兴趣并投入其中。

智慧语义认知技术，将逗号当做一个特殊的语言特征来进行形式化表示，将逗号带来的小句切分和句间语义关系等问题进行上下文关联处理。

语言结构的处理，是对语言固有属性的认识与挖掘，也理应是NLP的核心能力。

近几年来，利用统计机器学习方法、端到端的深度学习方法，NLP取得了长足的发展。

本文以文档中的证券化说明书为例，讲解文件自动化处理的便捷之道。

NLP的需求，无处不在，只要有文本的地方，就有NLP的用武之地。

一般认为，NLP是象牙塔中的研究，都是博士硕士们采用的深奥复杂的算法，似乎有种神秘的色彩。实际上，NLP已经走出象牙塔，并已经在众多典型行业的工程化中得到了落地。