深度语言处理是自然语言处理（NLP）中的一个框架，它借鉴了理论语言学和描述语言学。它主要通过形式句法和语义理论来建模语言，例如组合范畴语法（CCG）、中心语驱动短语结构语法（HPSG）、词汇功能语法（LFG）、树邻接语法（TAG）以及布拉格学派。与较浅层的方法不同，深度语言处理生成表达丰富的结构表示，能够直接捕捉长距离依赖和底层的谓词-论元结构，旨在对语言进行知识密集型的分析。
这种知识密集型方法历来需要大量计算资源，有时被认为难以处理。然而，到21世纪初，研究已显著提高了深度处理的效率，而在现代，对于使用深度语言处理的应用来说，效率已不再是主要障碍。
与浅层语言处理的对比
传统上，深度语言处理关注于用于解析和生成的计算语法开发。这些语法是手动开发的，维护成本高且计算开销大。近年来，机器学习方法（也称为浅层语言处理）从根本上改变了NLP。快速创建健壮且覆盖广泛的机器学习工具所需的手动劳动大幅减少，因此深度方法受到的关注较少。
然而，一些计算语言学家认为，为了让计算机理解自然语言或进行推理，详细的句法和语义表示是必要的。浅层系统可能缺乏类人理解。首先，考虑句子：“如果微软位于乔治亚州，情况会有所不同。”浅层信息提取系统可能错误地推断微软总部在乔治亚州，而人类从反事实中理解微软从未设在那里。其次，考虑：“以色列心理研究所于1971年5月由Prof. Joel成立，作为以色列心理生物学中心。”浅层系统可能错误地推断以色列成立于1971年，而人类知道这是指该研究所。这些例子表明，浅层处理通过统计操作文本和标注资源提供知识较匮乏的分析，而深度处理通过手动开发的语法提供知识密集型的分析。
子社区与形式体系
深度计算语言学家根据采用的语法形式主义分为不同子社区。DELPH-IN倡议是一个重大的合作项目，致力于HPSG；HPSG会议是其核心论坛。ParGram 和 ParSem 合作项目聚焦于基于LFG的语法和语义开发，LFG会议则作为中心事件。XTAG研究小组致力于TAG，并以其TAG+会议为核心聚集地。这些群体并非详尽无遗，其他形式主义和社区也贡献于深度语言处理。
现代发展与整合
虽然深度语言处理起源于手动语法编写，但它日益与 Machine learning 和 Deep learning 技术相结合。一些研究将深度句法和语义表示与 Neural network 模型结合，以提高解析的准确性和鲁棒性。然而，目前主流NLP大多依赖基于 Transformer (architecture) 架构的 Large language model，这与深度语法方法形成鲜明对比。尽管如此，深度语言处理在需要精确语义解释的任务中仍具有价值，例如在专业领域的 Machine learning 或自然语言推理中。
与当代AI的关系
在更广泛的 Artificial intelligence 研究背景下，深度语言处理提供了一种符号化、基于规则的替代新兴统计方法。组织如 Nokia Bell Labs 和 Xerox PARC 在计算语言学史上有所贡献。 MIT CSAIL、Stanford AI Lab 和 University of Toronto 的现代工作常探索混合方法。深度处理中使用的形式主义语法提供了可解释的结构，这不同于 Neural network 模型的不透明表示。这种可解释性被认为对需要需要问责或逻辑推理的任务至关重要。
尽管存在竞争，深度语言处理仍持续作为研究范式。它影响了资源（包括树库和语法工程工具）的开发，并继续促进理论语言学的发展。截至2020年代，没有任何单一方法能完全替代先进NLP应用中对深度、结构化语言理解的需求。
参见
- Artificial intelligence
- Machine learning
- Large language model
- Transformer (architecture)
- Sequence-to-Sequence (Seq2Seq)