本文就是通过一款工具的介绍，带大家了解下BERT对NLP实际效果带来的巨大改变。

　　话不多说，先上截图：

　　真的是让人惊讶!

　　在目前的工业NLP中，数个类似词性标注、命名实体识别、实体关系抽取、内容理解、意图识别等任务虽然处于不断进步中，但依然距离实际应用有较大距离，主要是Bad case 太多、结果太不可预测、人工干预乏力。很难相信，在这样的技术屏障下，通过使用 BERT 算法，这个工具依然实现了巨大的突破。

　　这里提醒下，目前这个工具限制所输入的英语句子长度，经过评测君体验，不算标点差不多是12个单词左右，虽然足够满足学生的需求，但在现实环境中，不得不说是一个较大的限制，比较令人遗憾，希望未来会放开限制!

　　如下是转自 Standford Parser 的算法截图：

　　这里可以对应的看下使用 BERT 算法带来的变化：

　　能力提升：

　　1. 支持识别句子类型，如陈述句、疑问句、祈使句。

　　2. 支持分析复杂句的句子结构，如主语从句、宾语从句、定语从句、表语从句、状语从句。

　　3. 支持分析并列句的句子结构，如并列句、转折句、让步句。

　　4. 支持分析主句、从句的时态。

　　5. 支持分析句子中包含的核心语法、固定搭配、动词短语。

　　6. 支持疑问句、倒装句、省略句等特殊句子的内在结构。

　　7. 支持识别人名、地名。

　　8. 能有效处理未登录词。

　　9. 能给出重点短语、固定搭配的翻译

　　10. 能给出重点短语、固定搭配的例子、用法、语法扩展

　　11. 能给出重点短语、固定搭配对应的相似短语

　　12. 具有较强的命名实体识别能力。

　　13. 具有较强的关系提取能力。

　　14. 具有完整的意图识别能力。

　　15. 具有较强的推理能力。

　　16. 具有一定的自学习能力。

　　可能的不足：

　　1. 长度限制，只支持 12 个单词。

　　2. 不支持成分缺失较多的口语。

　　3. 单词、短语翻译覆盖率不足。

　　4. 缺少反义词、近义词等常见词典工具具备的数据。

　　5. 内容表现单一。

　　当然3、4、5跟算法本身关系不是特别大。

　　总结

　　作为少有的以nlp能力为主打的产品，尽管有诸如长度、不支持口语等限制，评测君还是比较期待这款工具未来的变化。