自然语言处理（NLP）
自然语言处理（NLP）首先是自然语言处理，最近爆火的chatGPT也是他的产物之一。先上维基百科的定义，自然语言处理是人工智慧和语言学领域的分支学科。此领域探讨如何处理及运用自然语言；自然语言处理包括多方面和步骤，基本有认知、理解、生成等部分。是不是很高级，其实说直白一点，就是处理文本数据，变成你想要的东西（突然感觉就变low了）。其实自然语言处理在未来的前景还是十分的广阔的，随着大语言模型的出现，自然语言处理在各个方面，各个行业也有了很广泛的应用，计算机逐渐代替人工，去处理大规模的自然语言信息。其实我们日常生活中用到的东西都是NLP的产物，比如百度，谷歌搜索引擎、机器翻译、自动问答、智能客服、文本分类、情感分析、语音助手等等，都是跟NLP相关的产物。NLP 技术的发展也对社会和经济带来了深远的影响，例如改善医疗服务、提高金融风控、提高教育效果等。目前，NLP 领域的发展个人认为主要受益于深度学习技术的进步。深度学习技术能够处理大规模的文本数据，并且可以从数据中自主地学习语言的规律和特征（所以说要先做好深度学习的入门，再去选择方向会更有指向性一点）。
其中，以神经网络模型为代表的模型，在语音识别、机器翻译、文本分类、情感分析等任务中表现出了极高的效果。同时，也出现了一系列基于预训练模型的技术，如BERT、GPT等，这些模型通过在大规模语料库上进行预训练，能够在各种下游任务（涉及到具体目标的任务就是下游任务）中表现出色，推动了自然语言处理领域的发展（其实预训练模型的定义就是先在一堆数据上进行训练获得具有上下文数据相关性的表征）。但目前NLP的发展虽然如日中天，但也存在着很多挑战去解决，这也是选择方向需要考虑的一点，需要去考虑你还能研究什么？
例如，数据稀缺性和质量问题、多语种处理问题、上下文理解问题等。针对这些问题，研究者们正在积极探索各种解决方案，如利用远程监督数据和半监督学习技术来解决数据稀缺性问题，利用多模态信息（多种形态的数据）来改善上下文理解问题，利用多语言语料库和跨语言预训练模型来解决多语种处理问题等。
近年来，NLP 领域的发展方向主要集中在以下几个方面：
1. 多模态处理：随着智能设备的普及，人们对于文本、图片、语音等多种形式的信息需求也越来越高。多模态处理旨在将多种形式的信息进行整合和处理，使得计算机可以更好地理解和处理多模态数据。这个领域的研究方向包括多模态信息检索、多模态情感分析、多模态问答等。
2. 跨语言处理：
不同国家和地区使用不同的语言进行交流，因此跨语言处理一直是 NLP 领域的热点之一。跨语言处理旨在将不同语言之间的信息进行转换和处理，使得计算机可以更好地理解和处理跨语言数据。这个领域的研究方向包括跨语言机器翻译、跨语言信息检索、跨语言情感分析等。
3. 零样本学习：NLP 技术需要大量标注数据来进行模型训练，但是实际上获取大量标注数据是非常困难和昂贵的。零样本学习旨在利用少量标注数据和大量未标注数据来训练模型，从而达到与传统模型相同甚至更好的效果。
这个领域的研究方向包括零样本文本分类、零样本情感分析等。
4. 模型压缩和加速：NLP 模型一般都具有较高的参数数量和计算复杂度（比如Bert这种大语言模型），这使得它们在实际应用中面临着效率和成本的问题。模型压缩和加速旨在通过对模型进行精简和优化，使得模型可以在计算资源有限的情况下也能达到较好的效果。这个领域的研究方向包括模型剪枝、模型蒸馏、模型量化等。
最后，如果决定做自然语言处理这一方面的研究，这里给出了几篇必读经典论文和链接（在深度学习入门之后便可以选择阅读），可以参考一下
1. Word2Vec: Distributed Representations of Words and Phrases and their Compositionality (2013) by Mikolov et al. 词向量必读论文链接：https://arxiv.org/abs/1310.45462.
Attention is All You Need (2017) by Vaswani et al. NLP必读论文，十分火爆的transformer，注意力机制火起来的源头链接：https://arxiv.org/abs/1706.037623.
Convolutional Neural Networks for Sentence Classification (2014) by Kim.用卷积网络来处理文本分类，为以后这方面的研究开辟了新道路链接：https://arxiv.org/abs/1408.58824.
Sequence to Sequence Learning with Neural Networks (2014) by Sutskever et al. seq2seq模型，网上也有很多的NLP教程有提到这个，但个人任务看论文能让你对seq2seq理解更深，这种范式在后面基本都会遇到
