最近忙的掉渣，差点忘了科学网的存在。趁着今天头脑昏昏，干不了正事，弥补一下博客多日的空白。

最近开了一些会议，我们自己主办的计算语言学会议，外语学院主办的认知语言学大会还有一些中小型会议。忽然觉得NLP和纯语言学的会议有共性，也有很大不同，那就列个表格吧。

从这种分析可以看出，大部分的选题都是运用了国外的理论来研究中英文的语言问题，一个侧重教学或特殊语言现象，一个是面向NLP实际应用。在工具方面，也很相似，都是用国外的工具包和算法为主。NLP领域的算法看似高大上，但一眼望去，神经网络、深度学习都是舶来品。语言学的报告质量显得略高，大概是文科的口才更好哈。在审稿制度上差别比较大，语言学的会议大都是邀请制或者摘要评审，录用率一般高于50%，主要讲究同行交流。NLP的会议则采用国际惯例，采用双盲投稿评审制度，录用率只有30%左右。从研究成果来看，语言学的应用性比不了NLP，研究所得的往往是更多的问题，而非问题的解决方案。NLP力求更高、更好的自动分析处理效果。但是在会场氛围上很有趣，语言学的更专注与热烈。300多人的会议，分了12个平行会场，每个会场都坐满了，而且发言讨论热烈，对各种语言现象乐此不疲。相比之下，计算语言学会议之前都分多个并行session，但分布极不平均，所以去年开始改为了单会场运作。即便如此，在很多时候大家听会也并不太认真，因为深度学习的框架差不多，区别是处理任务不同和实验细节略有差异。

总的来说，复杂多样的语言现象是语言学界的口香糖，越嚼越香；对NLP领域来说，语言现象没啥要紧，关键是要更强大的硬件和机器学习算法来刷分。为什么就不能结合起来呢，用机器学习的牛刀来分析和解决语言问题。

语言是复杂的，如果它简单，早已被alpha们攻破。对于复杂系统的把握，单单靠拍脑袋也难，从目前来看，对语言现象的建模，需要的还是对语言现象的数学化描写，寻找合适的数学模型。此事待不得别人，赶紧做吧。