转载来源：https://www.zhihu.com/question/356132676/answer/901244271
作者：邱锡鹏

这个问题很有趣！看了下目前的回答都是深度学习之后的，我就回答几个深度学习之前的吧：）
先从语义表示说起吧，个人觉得都是简单并且巧妙的想法（但其背后的理论不一定简单）。

1. 分布式假设（Distributional Hypothesis）

“Linguistic items with similar distributions have similar meanings.” 参考

直白点就是，一个词的语义可以用它的上下文表示。

对NLP来说，个人觉得分布式假设是来自语言学的最有价值的“理论”之一。

2. 词袋模型（Bag-of-Words）

将一篇文档看作是一个词的集合，不考虑语法，甚至是词序信息也都抛弃了。

BoW模型解决了用机器学习来做NLP的一个痛点问题：怎样把一个变成的文本序列转换为定长的向量。

相关扩展：N-gram，TF-IDF等3. 潜在语义分析（Latent Semantic Analysis）

3. 潜在语义分析（Latent Semantic Analysis）

基于上面的分布式假设和词袋模型，我们可以构建一个词-文档矩阵（term-document matrix） $X$ 。这个矩阵 $X$ 很有意思，每一列为一个文档的表示（BoW向量），每一行为一个词的语义表示（分布式假设，其中上下文是以文档为基本单位）。这样我们就可以用 $X^{T}X$ 表示文档和文档之间的关系，用 $XX^{T}$ 表示词与词之间的关系。这个矩阵还可以进行SVD分解，得到词和文档的稠密向量表示，可以发现潜在的语义信息（比如主题等）。

4. 概率主题模型（Probabilistic Topic Models ）

概率主题模型比词袋模型多引入了一个“主题（Topic）”作为隐变量。词和文档的之间关联变成了：文档->主题->词。这个想法合情合理，听上去就更好。如果你觉得哪里不好，又可以魔改。概率主题模型的数学基础（概率有向图模型）十分漂亮，并且基于吉布斯采样的推断简单到不可思议，甚至不需要图模型的知识就可以理解。PTM是前深度学习时代NLP领域的一个大宝矿（Shui Keng）！

5. 基于BMES的中文分词或基于BIO的NER/Chunking

BMES 是Begin/Middle/End/Single的缩写，代表所标记的字符是一个词语的开始/中间/结尾/单字词。

BIO是Begin/Inside/Outside的缩写，表示所标记的词是一个实体名的开始/内部/外部。

这种标记将带有分割性质的NLP任务转换为序列标注任务，可以使用HMM、CRF等成熟的机器学习模型。

6. 基于PageRank的TextRank

PageRank本身非常巧妙了，TextRank更是巧妙地将PageRank应用到NLP中的词排序或句子排序上面，比如关键词抽取、文本摘要等.