在本文中，我们尝试预测2021年以后NLP的趋势。
社交媒体情感分析
社交媒体上的每时每刻都会生成大量数据。这也带来了一个特殊的问题，即无法完全手动生成所产生的所有这些信息。
事实证明，自然语言处理是这方面的重要工具。作为情感分析工具，NLP通过分析情感，语言和理解对话的紧迫性，帮助越来越多的公司快速了解客户对其品牌的感觉。
但是，NLP仍无法区分同一单词的不同含义。包括单词与句子的上下文含义，以及如何识别讽刺或讽刺性陈述。NLP当前面临的另一个挑战是分析具有多种含义（通常是矛盾的）的语句。
虽然不能绝对肯定地说这些问题可以在2021年以后解决，但在这方面NLP技术有很大的改进空间，可以在社交媒体上更好地进行情感和情感分析。
多语言NLP
到目前为止，大多数NLP的进步都集中在英语上。但是，像Google和Facebook这样的大型科技公司现在正在推出经过预训练的多语言模型，其性能与单语言模型相当。
这个方向上最重要的一些创新是Microsoft的Turing模型和Facebook的M2M-100模型。图灵多语种语言模型结合了跨语言模型的信息理论框架预训练，以进行语言理解和生成，以表示相同向量空间中的94种语言。
来自Facebook的M2M模型已经接受了2200种语言的培训，并且可以直接翻译任何100对语言，而无需使用英语数据。
有了这样的创新以及语言不可知的句子嵌入和零学习的最新进展，我们可以期望在不久的将来在多语言NLP模型空间中看到更多的创新。
聊天机器人和客户助理被带到下一个层次
随着NLP的进步和客户服务需求的增长，人们可以期待向下一代机器人迈出重要的一步，该机器人可以进行复杂的对话，自我完善并学习如何执行以前没有经过培训的任务。
由于2020年远程工作情况的增加，各行各业的客户支持服务单也大量增加。处理越来越多的机票并快速响应紧急查询已成为一项主要任务。人们可以期望将NLP工具与帮助台软件相集成，以执行诸如标记和路由客户支持请求之类的任务，从而仅需人工干预即可获得更高价值的任务。
NLP中的自动化
自动化机器学习或autoML在有效解决实际问题方面的成功促使研究人员开发了更多的自动化和无代码工具和平台。
这样的领域之一是自然语言处理中的自动化。借助AutoNLP，用户仅需几行基本代码即可构建情感分析等模型。这鼓励了机器学习社区的更广泛的参与，以前被认为仅限于开发人员和工程师。
AutoNLP有助于自动化过程，例如词干，标记化和词条化等。它还可以帮助为给定的数据集选择最佳模型。
我们可以预期，不久的将来会有更多的企业在NLP中采用自动化和低代码技术。
结合有监督和无监督方法
NLP模型分别在有监督和无监督的方法上训练。
监督学习通常用于需要大量标记数据和大量迭代以使模型做出准确预测（例如主题分类）的任务。
在无监督学习的情况下，该模型从输入数据中学习并检测模式以对看不见的数据进行预测，例如在聚类的情况下。
接下来，NLP模型将结合有监督和无监督学习来提高诸如文本分析之类的任务的性能。
NLP中的深度学习
过去，解决NLP问题的机器学习方法主要基于诸如SVM和逻辑回归等浅层模型。但是，最近的趋势表明，正在朝着使用神经网络在NLP任务上产生卓越结果的方向转变。
传统的基于机器学习的NLP系统基于时间精心学习的功能，这既费时又常常不完整。此类缺陷可通过与深度学习相关的模型克服，更具体地说，是卷积神经网络（CNN），递归神经网络（RNN）和递归神经网络。一份研究文件名称为“最新趋势深度学习基于自然语言处理”中指出：优化深学习技术的功能有：命名实体识别、语义角色标注、情感分类、机器翻译、情景嵌入和对话系统NLP模型。
NLP中深度学习的未来创新主要可以预期在两个方面-相似性和相关性之间的区别以及词歧义性。在前者的情况下，当前的深度学习方法仍基于相关程度而不是预期的意义，这可能会转化为不良的实际应用；相反，单词歧义指的是同一个单词，但含义不同。
市场情报监测
各个组织，利益相关者，政府和监管机构之间的市场知识和信息交换会影响商业市场。不可否认，及时了解瞬息万变的市场趋势和标准非常重要。在这方面，自然语言处理是跟踪和监视市场情报报告以提取构建策略所需的重要信息的重要工具。NLP已在金融营销中使用，可以帮助确定市场状况，就业变化，与招标相关的信息，从大型存储库中提取信息等。
总结
2021年，人们认为NLP将在商业组织的运作中发挥更重要的作用。预计它将进入市场监控领域。企业将严重依赖NLP来计划未来的步骤。其他应用程序例如信誉管理，神经机器翻译，人才培养，数据可视化，甚至流程自动化都将包含NLP。