随着人工智能时代的来临，自然语言处理技术也达到了一个新的层次，那么如今的自然语言处理，究竟拥有什么“能力”，结合具体应用场景能做哪些事儿？让我们一起来看吧！

基于大数据和用户行为的分词后、对词性进行标注、命名实体识别，消除歧义。识别文本中具有特定意义的实体，主要包括人名、地名、职位名、产品名词等。实体识别是信息提取、问答系统、句法分析、机器翻译等应用领域的重要基础工具，作为结构化信息提取的重要步骤。

应用场景：各大手机厂商语音助手、小语机器人

对文章按照内容类型（体育/教育/财经/社会/军事....等等）进行自动分类，为文章聚类、文本内容分析等应用提供基础支持，文章分类对文章内容进行深度分析，输出文章的主题一级分类、主题二级分类，在个性化推荐、文章聚合、文本内容分析等场景具有广泛的应用价值。

3、文本纠错

识别文本中有错误的片段，进行错误提示并给出正确的建议文本内容，在搜索引擎、语音识别、内容审查等功能更好运行的基础模块之一，文本纠错能显著提高这些场景下的语义准确性和用户体验。

应用场景：写作类平台

4、获取摘要

实现文本内容精简提炼，从长篇的文章中自动提取关键句和关键段落，构成摘要内容。进而生成指定长度的新闻摘要。

应用场景：智能写作、语音播报

5、情感分析

能够对文本信息进行“情感”上的正向、负向及中性进行评价。情感分析一般根据不同行业语料进行标注，根据不同的模型获得最佳的情感判断准确率。

应用场景：评论分析与决策、评论分类、舆情监控

对文本信息进行核心关键词分析，是内容推荐算法的核心，实施手段之一是根据分词后某个词在文章中的出现次数越多，权重越高，但是，在每篇文章中，往往出现次数最多的是“的”“是”“在”等等，这些词称为“停用词”，表示对结果毫无用处，必须过滤掉的词。

另外，在其他有实际意义的词中，又会遇到一些问题。比如在《中国蜜蜂养殖》这篇文章中，“中国”“蜜蜂”“养殖”三个词出现的次数一样多，但很显然，我们更想要的标签是后面两个词。

应用场景：各大内容分发平台

判断一段文本内容是否符合网络发文规范，识别文本中是否包含违禁类型里面的关键字/词，能够实现自动化、智能化的文本审核，大幅节省内容审核的人力成本。

应用场景：用户信息审核、用户评论监控、文章内容审核

结语：

“我们把香蕉给猴子，因为它们饿了”和“我们把香蕉给猴子，因为它们熟透了”有同样的结构。但是代词“它们”在第一句中指的是“猴子”，在第二句中指的是“香蕉”。如果不了解猴子和香蕉的属性，无法区分，这就是电脑只能处理“字符串”，而人可以解决“意义”。