计算语言学

語言是個人一生中發展出來的認知能力。這個發展過程已有一些檢視的技巧，運用計算是其中一種方法。人類的語言發展對於計算方法造成一些限制，增加了以其理解語言發展的難度。例如兒童在語言習得期間，大體上只遭逢正面例證，[8]亦即在個人語言發展期間，只接觸到語言正確的形式，而無不正確的形式，這對於做簡單的假說檢定而言資料不足，[9]因此造成了使用計算方法去模擬個人語言發展與習得的界限。

從計算的觀點去模擬語言習得的過程導致了統計語法與聯結模型。[10]這方面的成果被提議用來作為解釋語言的起源之方法。利用模型已顯示，語言的學習可以隨著兒童發展出更佳的記憶力與更長的注意期間，經由漸進地提供簡單的輸入組合而達成。[11]這同時也解釋了為什麼人類幼兒發展期之長。[11]以上兩個結論都因為該計劃創建的人工神經網絡之優點而得以達成。

嬰兒的語言發展能力也已利用機器人去模擬，[12]以便檢定語言學理論。一個可以如孩童般學習的模型，根據直觀功能的概念而建，映射行動、知覺、與效應，並且連結到口語。重要的是，這些機器人不需要語法結構，而能夠習得字詞與意義之間的關聯，大大地簡化了學習過程。這個模型揭示的訊息，增進了對於語言學發展的理解，必須注意的是，這些訊息只能使用計算方法進行經驗測試。

為了建立更佳語言的計算模型，理解語言的結構至關重要。這個目標，英語已利用計算方法周密地進行研究，以便更佳理解英語在結構層次如何運行。研究語言結構的要件之一是具備大型的語料庫或樣本，計算語言學家才能有足夠的原始資料進行模擬，並且在大量的資料裡，更佳理解任一語言的內在結構。最常引用的語料庫之一是賓大結構樹庫。[13]這個語料庫來源多元廣泛，例如IBM的電腦手冊和轉寫的電話談話，包含超過四百五十萬個美式英文字。這個語料庫主要以詞類標記與句法加括（syntactic bracketing）來註釋，並且已產生關於結構的大量實證觀察。

語言結構的理論也已發展，讓計算語言學家能在架構內運用多種方法發展假說，從而增進對語言的理解。關於語法的內化與語言結構，一個原創理論提出了兩種模型，其中學習到的規則與模式，會隨著接觸的頻率而增強。[9]這種模型也留下一個問題有待計算語言學家解答：嬰兒如何能在未學習簡單化語法的情況下，學習特定與異常的語法（喬姆斯基範式）。[9]在這個領域的早期，此類理論的成果設定了研究的方向，對於其茁壯至關重要。

語言結構的資訊可以用於認定兩個類似的語句， [14]例如近來已證實，根據人類言談模式之中的語言結構，概念的遞歸圖可以用來模擬資料並使其圖像化，對於自然語句的相似性，建立起可靠的測量方法。[14]這種技巧對於更進一步探究人類言談的結構，是有力的工具。這個問題不用計算的方法，科學家無法獲得言談資料之中巨量複雜的資訊。

語言產出有兩個同樣複雜的成分：語言內含的資訊，以及流利的產出者所需的技巧。亦即理解只是通訊問題的一半，另一半是系統如何產出語言，計算語言學家在這方面已有非常令人關注的發現。

艾倫•圖靈：電腦科學家，提議以圖靈測試測量機器的智慧。

1950年艾倫·圖靈在一篇現在著名的論文裡，提出機器或許有能夠思考的一天。他提議一種「模擬測試」，用來定義機器思考的概念，其中受試者以文字進行兩場談話，一次與真人，一次與模仿人的機器。圖靈提議，如果受試者無法分辨真人與機器之別，或許可以斷定該機器能夠思考。[15]這種測試現今稱為圖靈測試，在人工智慧領域仍是重要概念。

最早期著名的自然交談程式之一是ELIZA，1966年由约瑟夫·维森鲍姆在麻省理工學院發展而成。該程式回答使用者提出的文字陳述或問題時，模擬一位羅傑斯式心理治療師。它看似能夠理解他人輸入的談話並且智慧地回應，但實際上只是執行句型對比的程序，只認得句子裡的幾個關鍵字。其回答是由未知的部分圍繞著轉化的已知單字而組成。以「你似乎厭惡我」舉例而言，ELIZA理解「你」和「我」 ，因而找出「你…我」的基本句型，再把「你」和「我」轉成「我」和「你」，然後回答「為什麼你會認為我厭惡你？」在這個例子裡，ELIZA並不理解「厭惡」這個詞，但不妨礙在這種心理分析的情境下形成一個合理的回答。[16]

許多最早期像ELIZA這種簡單的人機互動模式，電腦接受使用者的文字輸入然後產生回答。這種方法使用「關鍵詞擷取」：電腦識別使用者打入詞句的類型，再據以回答。

最近的科技比較重視語音互動系統。這些系統，例如iOS作業系統的Siri，運用的技巧類似文字系統的句型辨識，只不過使用者的輸入是經由語音辨識。這個語言學的分支，把使用者的語音當作音波來處理，並解釋音質與語言的形式，讓電腦得以辨識使用者的輸入。[17]

現代計算語言學多著重於語言理解。隨著網際網路的擴張，人寫的文字隨處可見，如果有程式能夠理解自然語言，會帶來廣泛、令人振奮的機會，包括改良的搜索引擎、自動化客服、以及線上教育。

語言理解的早期成果包括應用貝氏統計進行光學字符識別。[18]其它貝氏統計的語言分析應用包括分析《聯邦黨人文集》以決定作者是誰。[19]

理解口語方面，最初是奠基於1960、1970年代信號模擬的成果——分析未知的信號，從中找尋類型，並且根據歷史做出預測。這種信號模擬應用於語言，最早、還算成功的一例是在1989年利用隱馬爾可夫模型達成。[20]這些統計方法更近期被應用在較難的任務，例如主題識別——估計貝氏參數以推斷文件主題為何的機率。[21]

主要包括以下几个方面：语音编码（speech coding）、语音识别（speech recognition）、语种识别（language identification）、说话人识别（speaker recognition）或说话人确认（speaker verification）、语义理解(semantics understanding)、语音合成（speech synthesis）等。

在人机交互过程中，经常用到语音识别技术和语音合成技术。

机器翻译的主要方法包括规则机器翻译，实例机器翻译及统计机器翻译