阅读: 276
答案 1：
要看具体问题吧，如果说序列标注之类的问题，这几年进展很大，而且相关的无监督算法也越来越向实用靠近了。如果说是机器翻译，语义分析之类的难题，就看这几年机器学习里面Deep Learning的进展了。不过现在计算资源越来越充足，个人认为未来几年机器翻译，语义分析里面的大部分研究课题会有很大的突破，起码机器翻译在大部分领域将成为一种可靠的服务。答案 2：
06年读Master时我专攻Text Categorization. 感觉上当时是AI里最热门的领域, 主要大家都发现这个领域可以有很多很多应用, 这也就是为什么Google, IBM这些大公司投了很大物力和人力去做这些. 工作后继续做Web Content Processing, 准确说Web ContentCategorization, 感觉上具体到Natural Language Processing, 主要的理论基础都是概率和统计, 再有就是一些Neural Network的算法, 概率毕竟是概率. 理论上很好的算法, 在真正在实际应用中, 很多时候很难达到希望的效果... 比如我们想要根据网页内容对其进行分类, 即便理论上最有效的SVM结果不过一般, 这是网页的内容所决定的, 比如很多网页没有很多文字内容, 像知乎这种文字网站可能效果就会好很多... 所以说要综合很多不同的算法才能达到理想的效果.答案 3：
有瓶颈！答案 4：
什么算突破呢？答案 5：
先有理论上的突破性才会有工程技术上的应用。答案 6：
-语和英语的互译准确率超过90%，这不知道算不算进展。就目前中文的NLP而言，因为有国内研究机制存在的问题，在十年内取得大的突破比较难。但是，不排除产生自学习功能的算法出现。答案 7：
从IBM沃森的表现看，进展还是蛮大的吧答案 8：
我在做，确实很难答案 9：
Disagree. Se-ntic parsing and knowledge learningwill pus- t-ings to anot-er stage.分享常识给亲友.
下一篇:港台的中文字体发展如何？ 下一篇 【方向键 ( → )下一篇】
上一篇:微软将以 85 亿美元收购 Skype 这笔交易会带来哪些影响？ 上一篇 【方向键 ( ← )上一篇】
快搜