监督式 NLP 模型使用标记良好的数据进行训练。这些模型学习在已知数据输入和输出之间映射函数，然后使用它来预测与新传入数据相对应的最佳输出。监督式 NLP 最适合处理大量随时可用的标记数据。但是，构建、部署和维护这些模型需要大量时间和技术专业知识。
这是一种更先进且计算更复杂的方法，用于分析、聚类和发现未标记数据中的模式，无需任何人工干预。无监督 NLP 能够从大量未标记文本中提取价 伯利兹手机数据 值，对于常见的 NLP 任务（如 PoS 标记或句法分析）尤其重要。但是，如果没有使用带注释的数据进行大量再训练，无监督 NLP 方法就无法用于分类等任务。
自监督 NLP
自监督学习仍然是一个相对较新的概念，但对 NLP 产生了重大影响。在这种技术中，输入数据集的一部分被隐藏，然后自监督学习算法分析可见部分以创建规则，使它们能够预测隐藏的数据。这个过程也称为预测或借口学习，它会自动生成系统学习所需的标签，从而将无监督问题转化为监督问题。无监督学习和自监督学习之间的一个主要区别是，前者关注的是模型而不是数据，而后者则相反。
近年来，基于机器学习的方法已发展成为NLP 深度学习时代，这得益于数字文本的爆炸式增长、GPU 和 TPU 形式的处理能力的提高以及神经网络激活功能的改进。因此，深度学习 (DL) 已成为各种 NLP 任务的主导方法。如今，人们非常关注开发最适合用图形结构来表达的 NLP 任务的 DL 技术。近年来NLP 领域最大的突破之一是 Transformer，这是一种利用注意力机制来重塑文本分析的深度学习模型。DL 可能不是简单 NLP 任务最高效或最有效的解决方案，但它在命名实体识别、文档分类和情感分析方面产生了一些突破性成果。
对于混合 NLP，重点是结合规则和基于 ML 的方法的优点，而不必在每种方法的优缺点之间做出妥协。混合系统可以将机器学习根分类器与基于规则的系统集成，后者针对前者错误建模的标签添加规则。自我监督学习等技术可以帮助减少构建模型所需的人力，进而可以用于创建更具可扩展性和准确性的解决方案。将自上而下、符号化、结构化的基于知识的方法与 自下而上、数据驱动的神经模型相结合，将使组织能够优化资源使用，提高模型的灵活性并加快洞察时间。