在解决任何NLP问题之前，需要深入了解7个术语：
1.标记化Tokenization
这是将整个文本分成小标记的过程，切分是基于两个基础，即句子和单词。最佳教程：什么是自然语言处理（NLP）中的标记化？
2.停用词Stopwords
通常，这些词是一组不会给句子增加太多含义的词。在NLP中，我们删除所有停用词，因为它们对于分析数据并不重要。最佳学习停用词的教程：删除常用术语：停用词
3. 标记PoS
这是将句子转换为元组列表的过程。每个元组都有一个形式（单词，标记）。此处的标记表示单词是名词，形容词，动词等。最佳教程：词性标注和隐马尔可夫模型简介
4.词干Stemming
这是通过删除后缀和前缀将单词还原为其根词（摘录）的过程。如英文：Scrapping的根词是Scrap, history根词是histori，最好的词干学习的教程：NLP：摘录词干快速指南
5.词法化Lemmatizing
它的作用与词干法相同，但主要区别在于它返回了一个有意义的词。它主要用于开发聊天机器人，问答机器人，文本预测等。要学习有关合法化的最佳教程：词干和词条去除
6.单词袋Bag of Words
简称BoW，这是将文本转换为某种数字表示形式的过程，是一种从文本中提取特征以用于建模的方法。机器学习算法无法直接处理原始文本；文本必须转换为数字。具体来说，是数字向量。了解单词袋的最佳教程：语言袋模型的温和介绍
7. WordNet
它是英语名词，动词，形容词和副词的词汇数据库或词典，被分组为专门为自然语言处理设计的集合。WordNet表面上类似于一个同义词库，它根据单词的含义将单词分组在一起。但是，有一些重要的区别。了解WordNet的最佳教程：什么是WordNet？
自然语言处理NLP管道：
- - 输入文本
- - 将文本分割为组件
- - 删除不必要的元素
- - 文本矢量化和特征工程
- - 合并单词的变体
- - 用ML算法和方法训练模型
- -结果解释