Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.  10, N o. 5,  O ct obe r 202 0, pp.  4928 ~ 4936   IS S N: 20 88 - 8708, DO I: 10 .11 591/ijece .v1 0i5 . pp 4928 - 49 36     4928       Journ al h om e page :  http: // ij ece.i aesc or e.c om/i nd ex .ph p/IJ ECE   A  pri or c ase   stu dy of n atu ra l  l an guage  p rocessin g    on  diffe rent do m ain       Shruthi  J . 1 ,  S uma   Swam y 2   1 Depa rtment of  Com pute r  Scie n ce   and  Engi ne ering,  BMS   Instit u t e  of Te chnol og y   and  Mana g emen t ,  Ind ia   2 Depa rt m ent   of C om pute r  Scie n ce   and  Engi ne ering,  Sir  M .   Visve svara y a Instit ut e   of  T ec hno log y ,   India       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   J un   22 , 2 01 8   Re vised  Ma r   14 ,   2020   Accepte d  Ma r   2 4 , 202 0       In  the  pre sen t  s ta t e  of  d igi t al  world,   computer   m ac hine   do   not   under stan d     the   hum an’ s  ordina r y   l angua g e.   T his  is  the   gre at   bar rie r  be twee n  h um ans  and  digi tal  s y stems .   Henc e,   rese ar che rs  found  an  adva nce d  t ec h nolog y   th at  provide s  informati on  to  th e  users  f rom   the   d igi tal  m ac hine.   How eve r,    nat ura l  la nguag e   proc essing  (i. e.   NLP)  is  a  bra nch  of  AI   tha t  has  signifi ca nt   implic ation  on  t he  wa y s  th at   co m pute r  m ac hine  and  hum ans  can  int er ac t .   NLP  has  bec om e  an  essential  t e chnol og y   in  brid ging  the   comm unic a ti on  gap   bet wee n   hum ans  and  d igi t al  data .   Thus,   th is  stud y   p rovide s  the  n ec essit y   of  the   NLP  in  the   c urre nt  computin g  world  al ong  w it h  diff ere nt  app roa che s  and   the ir  applic at ion s.  It  al so,  highl ig hts t he  ke y   ch al l enge s in  the   dev el opm ent   of   new  NLP m odel .   Ke yw or d s :   Ar ti fici al   i ntell igence   Hu m an  l an gu a ge   Natu ral  l an gu a ge  p r ocessi ng   Text  m ining   Copyright   ©   202 0 Instit ute of   Ad v ance d  Engi ne eri ng  and  Sc ie n ce .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Sh r ut hi J .,   Dep a rtm ent o f C om pu te r  Scie nce a nd   E ng i ne erin g,     BM S I nst it ute o f  Tech nolo gy  and Ma na gem e nt ,    Be ng al uru,   I ndia .   Em a il : shr uth i j.resea rch@gm ai l.com       1.   INTROD U CTION   Natu rall y,  hu m an  la ngua ge  is  com plex  an d  to   un der sta nd  this  la ngua ge ,  a  syst em   m us t  al so  kn ow  about  c orres pond i ng  gram m a ti cal   ru le s,  m eanin g  a nd  c onte xt,  al on g  with  sla ng  an d  a cronym s  util ized   i n    the  la ngua ge.  Natu ral  la ngua ge  processi ng   ( NLP)  is  the   m e ch anism   wh ic h  suppo rts  the  c om pu te r  m achine  by  si m ulati ng   the   hum an  capa bi li t y  to  un der s ta nd  the  la nguag e .  NLP  is   the  si gn i ficant  area   in   w hi ch  by   analy zi ng   data,   the  syst e m   ca n  extract  the  i nfor m at ion   fro m   the  con te xts   and   prov i des  the  input  inf or m at ion   in  seve ral  wa ys.  Ba sic al ly ,  it   is  a  relat ionship  am ong  hum an  la nguage  an d  com pu t er  m achine,  i. e.  NL P  op e rates  m achine  unde rstan din g,  a naly sis,  ge ner at io n  or  m anip ulati on  of  natu ral  la ngua ge.   H ow e ve r,   natu ra l   la nguag e  ref e r s  to  analy sis  of   te xt  as  wel l  as  aud i ble  s peech,  w her ea s  m achine  cap tures  or  rec ognizes    the  m eaning   of  input  w ords   in   te rm s  of   struct ur e d  ou t pu t.   N LP  is  ba sic   el em ent  of   a rtific ia l  intel li gen ce  (AI).   The  i niti al   go a l  of  N LP  is   to   pro vid e   s uch  ty pe  of  i nterac ti on   s o  that  nonpr ogram m ers  can   pr oduce  us ef ul   inf or m at ion   f r om   co m pu te r  m achine.  S uc h  ty pe  of  c omm un ic at io n  was  popula rized   in   the  m ov ie   “ A   Sp ace   od ysse y”   i n  1968.   The   NL P   al so   has  the  abili ty   to  m ake  insig hts  f rom   inform ation  co ntained   in  m ai ls,    vid e o fil es an d othe r un st ru ct ured  conten t  [1 - 4] .   M.   Ma xson,  s ai d  that,  i n  fut ur e  m os t  of  t he  us ef ul  in f orm ation   will   be  in   unstr uct ur e d  form .     The  f utu re  Bi gDat a  will   be  t he  com bin at ion   of   bo t h  struc ture d  and   un st ru ct ur e d  data  and   util iz ing   inh ere nt   data  patte r ns   that  integrate  from   data  i tse lf  and   not  from   po li ce  i m po sed  on   data - set s  by  hu m ans.   It  ha s  been  fr e qu e ntly   no t ed  that  NLP   pred om inantly   i s  util iz ed  to  analy ze,  retriev e  and   s umm arize  the  per ti ne nt  data  from   la rg e sets of  d at a avail a ble. An  ex plor at ion  of N L P co nce pt w as int r oduce d  in 19 5 0  w hen  T ur i ng - te st on   com pu te r  m ac hin e  a nd  intel li gen ce  was  i ntr oduce d  [ 5].  It  was  a ble  to  ex hib it   intel li gent   beh a vior  sim i la r  to,   or  no n - diff e re ntiable   f r om ,  that  of  a  pe r so n.  NLP  nee d  a  c om bin at ion  of  verbal  and  com pu ta ti on al   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g   IS S N:  20 88 - 8708       A p ri or  c as e  stud y  o f  natur al  langua ge pr oc essing o n dif fe rent  dom ain   ( Shru t hi J . )   4929   knowle dge.  T his  can  be  do ne   for  seve ral   la ng ua ges  f or  e.g .  En glish;   sever al   chall eng e s  incu rr e d  wh e n    the in form at io n  e xtracti on c onta in  par a grap h phrasin g, m e ta phor s , id i oms an d rh et or ic  e tc . [6] .   Lan gu a ge  dis a m big uatio n  i s  the  art  t o  par se   an d  e xtract  the  in f orm at ion   in  N L P.  A naly ze    sentence - pa rsi ng,  w ords  ide nt ific at ion   us in g  le xicon,  Nam ed  entit y  recog niti on   ( NER )  s o  on  an d  ext ra ct ion   are  the   series  of   operati ons   to  be  perform e d  in   NL P.  Dif fer e nt  ap proac hes  [7 ]   e xam ple:  NER,  wr a ppers   i n  web - c orpus,  ta gg i ng  of   pa rts   of  s peec h  ha s   bee n  e xplo r ed.   The   inte ntion   of  i nfor m at ion   e xtracti on  is  t o  extract t he  i nfo rm ation  fo r  pre - determ ined blocks f or a s pec ific  f ram e [8 ] . Gene ric m od el s for   NLP ex pl oiti ng  word   j oi nt  prob a bili ty   and   it s  ta g  or   la bel,  enh a ncin g  to  Hidde n - Ma r kov  ap proac h  and   trig ram   mar ko v  appr oach   has  be en  intr oduc ed   in  [ 9].  It  al s o  def i nes  us age   of   ps e udo  ra ndom   wo r ds   a nd  their  f unct ion i ng  f or  NLP   of  unide nt ifie d  words  for  sm a ll   dataset.  In   [ 10]   Lapata  et .al  hav e  il l us trat ed  a bout  web - based   a pproa c h  for  NL P  that  pro vid e d  th e  kn ow le dg e  of  iso la ti on   of  com po un d  no un s ,  di so r de rly   arr a nge m ent  of   a dj ec ti ves,  web  inter pola ti on  an d  m ass  counts  t o  m axim iz e  the  flexi bili ty .  Thus,  N LP  fall s  i nto  the  do m ai n  of  AI  with   the aim  o f  un de rstan ding a nd  m aking  m eaningf ul info rm ati on in  t he hu m an  la ng uag e  [1 1] .    Diff e re nt  te rm ino lo gies  a re  util iz ed  in  N L   processi ng   suc h  as  1)   M orpholo gy:  - T his   is  us e d  to   const ru ct   a   m eanin gful  wor d  f r om   a  pr im it ive  sentence ,   2)  Synta x: - util iz ed  f or   w ord   arr a ngem ent  wh ic h  resu lt s  a  m ean ingful  sente nc e,  3)   Sem ant ic s:  -   con ce rn e d  with  m eaningfu l  w ord  an d  c reate  the  m eaningfu l   sentence   by  c om bin ing   th os e  words  a nd  ph r ases,  4)  Pr a gm at ic s:  -   util iz ed   to  know  t he  m eaning  of  se ntence   for  di ff e ren t  s it uations   a nd  how  the   un de rstan ding  of   s entence  is  e ffec te d  [ 12 ] .  Th e  re m ai nin g  pa rt  of     the  stud y  is  organ iz e d  as;   sect ion - 2  desc ribe s  the  gen e ric  proces s  of   NLP   wh ic h  diag ram m at ic ally  rep resen ts   the  pr ocedur al   ste ps   of   la ngua ge  processi ng.  Sect ion - 3  disc us ses  sco pe  a nd  a pp li cat io ns   of   NL P  f ollo w ed  by   diff e re nt  te chni qu es  a nd   ap pr oach e s  util iz ed  in  NLP   in  sect ion - 4.  Sect ion - 1.2  highli ghts  the  existi ng  res earch   work   t ow a rds  NLP   im ple m e ntati on   f ollo w ed  by  crit ic al   chall enges  in  NLP   in  Sect i on  5.   Finall y,  sect ion - 6  pro vid es t he  c oncl us i on of the  r esea rch stu dy.   This  sect ion   discu sses  s om e  of   the  e xisti ng  te chn iq ues  of   i m ple m enting  NLP .  Alm ada  et   al .  [1 3],   pr ese nts  a n  ide ntifyi ng   te c hn i cal   know le dge  (TK)  in  s oft wa re  de velo pm ent.  It  help s  in  th e  hiring  of   s oft ware   eng i neer i ng  po sit ion s  a nd  ta le nt  m anag em ent.  To   de velo p  this  NLP   te c h niq ue   is  us e d  a nd  te xt   m ining   ( TM)   is  util iz ed  to  analy ze  form le s s  te xt  in  res ume s  an d  cu rr ic ulu m .  By   i m p leme nting   K P  G ENER ATO R ,  sp eci fi c   data  on  res ume s  is  analy zed  and   sig nifica ntly   red uce  t he   tim e   of   w ork.   Pela yo  et   al .  [14]  pr ese nt ed  an   enh a ncin g  hea ri ng  im paired - stud e nt  read i ng  s kill s  in   col le ge  le vel.   T he   m ai n  obj ect ive  of  this   sub j ect   is   fo c us e d  on  on ly   deaf   stude nt s.  The  an al ysi s  of   te xt,  im ages  and   oth e r  inf or m at ion   with  res pect  to  c on te xt   NLP   act   as  m ai n  r ole.  Her e,   the  us er  ca n  im agine  t he  in for m at ion   by  gra dual ly   increasin g  the  widt h  of   words   and can  im pr ove  unde rstan din g.    Kh al id   et   al .   [15],  pr ese nt ed  ide ntifyi ng   the  m ulti - wo r d  Urdu  f rom   a  nu m ber  of  co rpo ra.    The  im pr ov e m ent  of   this  schem e  C - value  m et ho d  an d  NL P  is  util iz ed  al ong  w it h  Urdu   Wor d Net .     The  outc om es   of  this  m et ho d  com pr ise s  of   735  synset s  co ntainin g  only   m ult i - wor d -   U rdu  te rm s  from     Urdu - Wor dN et . J i m enez et al .  [ 16 ]  h a ve  pr opose d  to  pr e dict t he  data o r  searchi ng  in form at ion  u si ng  Bi g Data   pr e dicti ve  a naly ti cs  in  so ci al  m edia.  The   re s ult  disc ov e re d  and  analy ze d  present sta tus o f   the r esearc h  t ha t  has   been   urba nized   so   far   by  edu c at ion al   bac kgr ound.  Ela hi nia  et   al .  [1 7],  eva luate d  a  pr e dic ti on   of  com plex  an d  m ul ti di m ension al   healt h  ca re   pro blem   us ing   NLP   te c hn i que.    The  m ai n  obj ect iv e  of  this   stud y,  first  an al yz ed   the  m os t  com p reh e ns ive   el em ent  of  he al thca re  data  beca use   of   m any - side d  nat ur e  of  the  pro blem .  The  ou t pu t   sh ows  t he  poss ibil it y  of   patie nt - non  a dh e re nc e  by  pe rs on  ge ner at e d  in put - word  ( PGI W)   and  com bin at ion  of  m achines.   Slat er  et   al .   [ 18 ] ,   de velo pe d  a n  e ff ect i ve   m easur e  of  stud e nt  a ppoi ntm ent  in  tuit ion  or  cl ass .      The  te ch nique   NLP   util iz ed   to  identify   the  dif fer e nt  li nguisti c  feature s  su ch  as  m at hem atics  pr oble m s     on   st ud e nts - a ff ect ive  sta te s   durin g  w ork  in  a  m at he m at ic - tutor .  The  outc om e  is  m easur ed   with     a  li ng uisti c  featur e,  a nd   stu de nt  pro blem s   on   on li ne  tut or  are  evaluate d.   Ca la podesc u  et   al .  [1 9]  present e d    a  sem i - autom a ti c  de - ide ntific at ion   of   hosp it al   discha rg e  s umm aries.  The   pro po se d  syst e m   is  achieve d  wit h  sign ific a nt  im p rovem ents  fo r  the  an no ta ti on  of   t he  doc um e nts  in  qu a ntit at ive,  qual it at ive  and   hom og en eous   resu lt s.   The   w ork  of  Br on ie c ki  et   al .  [20]  ha ve  fo c us e d  on  the   upc om in g  a rr ivi ng  f orm   of   data  a nd  to  m ake   internati onal   pract it ion ers   grow.  T he   prese nting  new  data   w ork  on  la rge  quest io n  te xt  an d  al s o  w orked  on   sp eci fic a pproa ches. The  outc om es are s ta ble on hum an - de rive d  co ding a nd   com plete  on c orrelat e/ pr e dict an d  achieve t he dat a pro gr am .   In  the  st u dy   of  Zit nik   et   al .   [ 21]   ha ve  c oncen trat ed  on  the  va rio us   ty pes   of   ap plica ti on s  a nd  to ols  tha t   is  require d  for   m achine  le arn in g    i n  Natu ral  la ngua ge  proces s.  A  new  arr i ved  ap plica ti on   cal le d  t oo l kit   pro vid e  an  e nd  to  en d  te xt  inv e sti gation  by   the  us ing   of  JavaScr i pt  te chn i qu e  base d  f un ct io n.   T he  s ta te   of     the  arts  a re  co m es  in  the  te r m s  of   the  res ul t.  The  work   of  Ba by  et   al .   [ 22 ]   hav e  f ocused  on   hose  c on t rol   app li cat io n  in  wh ic h  the  us e r   can  inter face  with  we b  a ppli cat ion   or   a  ne wly  arr iv ed  c ha tbo t  to ols  it s  con t ro l   on   al l  ho us e  el ect rical   equ ip m ent.  The  pr es enting  c hatb ot  te chn iq ue  fo ll ow  the  sta te m ent  of   te xt  in for m at ion   that’s  te xt  by  us er  i n  the   f orm   of   com m and   a nd   t hen  co ntr ol  the  al l - el ect ric  equ i pm e nt  at   house   by   us in g    Evaluation Warning : The document was created with Spire.PDF for Python.
      IS S N :   20 88 - 8708   In t J  Elec  &  C om p  En g,   V ol. 10,  No.  5,   Oct ob e r 2 020  :    49 28   -   49 36   4930   the  m otion   sen so rs .  T he  st udy  o f  Ka us hi k  e t  al .   [23]  hav e  fo c us e d  on  iss ues  of  NL P  in   wh ic h  they   dis cusse d  on   dee p  le ar nin g  w hich  s olve s  the  pro ble m   of     N - la ng uag e  proces sing.  By   the  ef fecti ve  dee p  l earn i ng    the  secret  iss ue s  li ke  outp ut - vecto r  an d  in put - word   a re  re m ov ed.   By   the   add i ng  of  Cr os s - Lan guage   fu t ur e  work  is  done .T he  stu dy of Ah m ed  et  al.   [24] h ave c oncent ra te d  on poetry a naly zer on N -   l angua ge  pr oce ssing   wh ic h  us e d  dif fer e nt  ty pes  of   la nguag e  a nd   i ts  con side r  the  com pu te r - base d  ap proac h.   Th is  m et ho d  cons iders   al l  ty pes  of   li te rar y  te ste d  be fore  prese ntin g  the  final  re s ult  is  ob ta i ned.Th e  w ork  of   po le   et   al .   [25 ]   hav e   fo c us e d  on  the  new   pro posed  appr oach   for  th e  instru ct io n  of  groupin g  do c um ents’  in  w hic h  searc h  re su lt s  are   in  the  te rm s  of   bette r  way - group  f uzzy  ap pa ratus  f or  ac cu rate  com pilat io n  by  the  us in g  of   weig hted  m et hod.      In   the  stu dy  of  Ba rtero   et   al .  [26]  descr i be d  an om al y  identific at ion   pr ob le m .  To  res olv e  this  issue   [26]  introd uced   a  Wor d - em bed di ng   m et ho d  bas ed  on  Goo gle’ s  Word2 vec  al gorithm .  The  resu lt s  il lustrate d  90%   accuracy a nd e ff ic ie nt c om pu ta ti on .    Suhaim in  et   al .  [27]  de scri bed  a  chall e nge  wh ic h  occ ur s  i n  sa rcas m   detection   i nto   t he  te xts.     The  ou tc om es   show  t hat  a  gro up   of  pro s od ic ,   synta ct ic   an d  pra gm ati c  struct ur es  de velo ped  an  e ff ect iv e   perform ance  w it h  F - m easur e  resu lt   of  0.8 52.   The  stu dy  car r ie d  out  by  Ala m i  et   a l.  [2 8]  ha s  pr ese nte d  a  novel   Sem i - autom at e d  m et ho do l ogy  to  dev el op  a  sequ e ntial   struct ur e  f r om   us er  necessit ie s  wr it te n  in  Ar a bic.     The  re su lt   sho ws  that  propos ed  ap proac h  prov i des  a n  ef fec ti ve  U ni fied  M od el in g  La ngua ge  ( UML)  dia gr am s  from   Ar abic  use r  re quirem ents.    Zh ua ng   et   al .  [29]  prese nt ed  a  Str ok e  L evel  ap proac h  to  infl uen ce  C hin ese   stroke  f or   le a r ning  the  Chi ne se  wor d  re pr es entat ion .  The  e xp e rim ental   ou tc om es  sh ow   t hat  presente d  m et ho d  is  s uperio r  for  Chinese - Lan gu age  processin g.  To   re duce  thi s  ty pe  of  pro ble m   the  Des hmukh  et   al .  [ 30 ]   has   dev el op e d  V oice - base d  a ppli cat ion   to   the   us ers .  T he  outc om es  disp la y  the  pro po se d  syst e m   that  prov i de s   correct  answe r t o  the  us e r.   It  offe rs fast p r oce ssin g an d  m axim u m  r espo nse   capab il it y t o  th e u se rs.       2.   GENERI C P ROCESS  OF  NLP   Gen e rall y,  the re  ar e  fi ve  st eps  i n  NLP  i. e.,  M orpholo gi cal ,  Lexical   analy sis,  Synt ax  a naly sis,   Pr og ram m at ic s   and   Disc ours e.  The  proces s  of   natu ral  la ngua ge  ne eds   knowle dge  of  ho w  utte ra nc e  ar e   create d,   how  they   turn   int o  cl auses  and   sentences .  A ddit ion al ly ,  to  eff ect ively   under sta nd   a  gr oup  of  sentences  in  t he  g ive n  c onte xt , it re qu ire s a  hi gh  le vel kn owle dg e.  S uch lev el s ar e  descr i be d  as  foll ows;   a.   Mor phologica l:   It  deals  with  m or pholog ic al - str uctur e  of  w ords,   e .g.  prefi x,   s uffix,   w ord   root,  a nd   i nf ix es .   Ba sic al ly ,  m or ph em e  is  the  basic  un it   of   wr it te n  w ord  wh ic h  pro vid e s  the  i nfor m ation   a bout  w or d  form ation .   b.   Lexical   A naly sis:   In  this  sta ge,   ea ch   w ord   is  analy zed   w it h  their  c om po ne nt  a nd   othe r  non - w or ds   l ik e   punctuati ons ,  acronym s  and   abbrev ia ti ons   are  separ at e d  from   wo r ds.  This  analy ti cal   pr ocess  is  respo ns ible  for   identify in g  a nd  a naly zes  the  word  str uctu re  and  se par at in g  the  w hole   te xt  into  par a gr a ph s,   set  o f  se ntence s and  wor ds .   c.   Synta x  A naly sis:   The  pr im ar y  pu r pose  is  t o  fin d  that  a  words  strin g  is  well   arr an ged  and   di vid e  it   int o    a  struct ur al   f or m at   wh ic h  r ep resen ts  t he  rela ti on   be twee n  the  disti nct  wor ds .  It  deals  with  w ord  st ru ct ure   and  v al idit y  of  sen te nces .  A  s ynta ct ic   analy z er  p er f or m s  thi s  byex plo it ing  a  word   le xic on  and   synta x  r ule s   (i.e., G ram m ar) .    d.   Sem antic  A naly sis:  I t pro vid e s ex act  m eanin g  f r om  the g ive n  te xt.  T he  te xt  is v e rified  for   m eaningfu l nes s.   The  a naly zer  r ejects  the  se nte nce  li ke  ‘I ll ega l - Law”.   The   se ntence  st ru ct ure  create d  by  synta x - analy zer  i s   assigne d  m eaningf uln ess .    e.   Pr a gm atics:   In   a  sp eci fic  c onte xt,  it   de al s  with  the   sent ences  wh e re  t he  se ntence  st ru ct ur e  repres ent s     the  act ual  m ea ning  of  that  se ntence  f or  exa m ple :  “cl os e  t he  wi ndow ? ”    It  has  bee n  int erprete d  as  a ppeal   rather t ha n ord er [3 1].   f.   Disco ur s e:   Th e   m eaning   of  sp eci fic   sent ence  m ay   depends  upon  se ntence   prece di ng  an d  m igh t   be   influ e nce  t he  sign ific a nce  of  that  sente nce.   For  e xam ple:  “He  wan te d  i t”   wh ic h  de pe nd s   on  e xisti ng   disco urse c on t ext.       3.   ESSENTI ALS O F  N LP   It  is  well   kn own  t hat,  NLP   is  a  br a nc h  of  AI   w hich  has   seve ral  sig nif ic ant  associat ion s   bet wee n  com pu te r  m ac hin e  a nd  pe rs on  interact io n.  I n  this  dig it al   world ,  NL P  play s  a  sign ific a nt  r ole  w hich  br i dg i ng   the  com m un ic at ion   ga p  am on g  hu m an  an d  dig it al   wo rl d.  Fu rt her m or e,   this  sect ion   pro vid es  sc ope  and  app li cat io ns   of N LP  whic h  is  util iz ed  in t he day s to  co m e.           Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g   IS S N:  20 88 - 8708       A p ri or  c as e  stud y  o f  natur al  langua ge pr oc essing o n dif fe rent  dom ain   ( Shru t hi J . )   4931   3.1.    Scop e  of  NLP   3.1.1 .   M achin e  tr an sla tio n   As  t he  global  i nfor m at ion   is  on li ne ,  t he  acc essibil it y  of   in form ation   is  be com ing   hi gh l y  increasi ng.   The  m ai n  chall eng e   is  to  pro vi de  acce ss  for  globali nfor m at ion   t o  e ver y  pe rson  with  unde rstan dab le   la nguage   translat ion.  Mo dern  com pan ie s,  e.g.,  “D uoli ngo,”   recr uit  a  num ber   of   em pl oyees  to  co ntri bu te ,  by  con c urrin g  translat ion  w ork  with  e ducat ing   ne w  la ng ua ge.   B ut  di gital   translat ion  pro vid es  m or e   scal able  al te r native  inf or m at ion   to   co rr es pondin g  global  in for m at ion .  G oogl e  is  the  i nnovat ive  c om pany   that  has   m a chine   translat ion  w hi ch  tra ns la te s  th e  inf or m at ion   base d  on  t he  pro pr ie ta ry  sta ti sti cal   inform ati on.  T he  c halle ng e   of   m achine  tra ns l at ion   te ch ni que  is  not  tra nsl at ing   the  w ords  bu t  unde rs ta nd s   an d  st ores  the  m eanin g  of    the se ntences t o offer  an act ua l t ran sla ti on.     3.1.2 .   Auto ma tic  summ ariz at ion   Durin g  acce s sing   of  sp eci fic  and   sig ni ficant  inf or m at ion   from   t he  exten sive   know le dg e ,    an  in form at ion   overlo adi ng   is   a  com plex  c ha ll eng e  to   retrie ve  s uch  in form at ion .  A uto m atic  su m m ariza tio n  is   no t  only   releva nt   to  s umm ariz e  the  m eaning   of   t he  docum ent,  bu t  al s o  t o  unde rstan d  the   em otion al   m eanin g  inside  the  inf or m at ion ,  e.g.,   wh il e  colle ct ing   or  acce ssi ng   in form at io n  from   the  so ci al   sit es.  Thi s  NLP  app li cat io n  is  be com ing  m or e u sef ul as  a  de m and able m ark et  asset .     3.1.3 .   I nform ati on  ex tra c tio n   Durin g  the s um m arization  of  so m e k ey  asp ect s o f  s pecific kin d  of sto ries,  w e u se  patte rns ex tract io n.    Fo r   exam ple,  the  sta ti sti cs  on  te rror ist   at ta ck s  can  be  s umm arized  by  seei ng  place ,  date ,  a n  id  of  pe r petr at or s,   injur ie s,  a nd   de at hs ,  et c.,  are   exp r essed ,  an d  there fore  ex plorin g  out  that  info rm at ion   and   ex plore  it   into     a predeterm ined  te m plate .     3.1.4 .   Ques tio n  answ eri ng   At  pr ese nt,  Q A  is  beco m ing   m or e  popu l ar  for  the  hum ans,   an d  tha nk s  t o  the  ap plica ti on s  li ke;     OK - G oog le ,  S iri,  an d  chat - boxe s.  T hese   ki nd s   of  ap plica ti on s  a re  ca pa ble  to   ans we r  the  hu m an  re quest s .     It  can  be  util iz ed  as  a  te xt  interface  or  li ke   a  li ng uisti c  dialog  syst em .  More ov e r,   this   app li cat ion   re m ai ns   m or e  chall engi ng   es pecial ly  fo r  sea rch   e ngines ,  a nd  it   i s  the  on e  of   the  sig nificant  app li cat io n  of  NLP  researc h fiel d.     3.2 .   NLP  techniq u es   The NLP  is  use d  in  d i ff e ren t  a tec h ni que wh ic h  is  descr i be d belo w:     3.2.1.  N amed - entit y  rec ognition  ( NER )   The  NER  is  a  ty pe  of   inf or m at ion /data   extr act ion   that  go a l   to  reco gniz e  and   determ ine  ph ra ses  or  words  in  te xt  form at  into  pre - de fine d  cl asses  li ke  as  the  nam es  of   places,  perso ns ,  e xpressi ons,  et c.   [ 32 ].    The  nam ed  en ti ty   (N E)  is   an   orde r  of  w ords  t hat  des crib e  real - world   obj ect   su c h  a s  Apple  In c orp orat io n,   Ca li fo r nia,  et c.   In   data  ext racti on ,  t he  N ER  is  an  esse ntial   ta sk .  T he  NER  con ta in s  thr ee  un i ver sal ly   acc epted  ty pes  are;  Plac es,  Pe rs on  a nd  O r gan iz at ion.  NER  doe sn ’t  ge ner at e  tem plate s,  and  it   is  not  a n  eve nt   recog niti on   [ 33 ] . Th e re ar e  s om e  m et ho dolo gies  pr e se nted   wh ic h  a re  us ed  in NER  proces ses are:   a.   Rule - ba sed  M et hodo l og y:   T he  Rule - base d  appr oach   w ork   as  a  com bin at ion   of   r ules  ei ther  a uto m at ic a ll y  or   m anu al ly   de fine d.   A  r ule  con ta in s  act ion   and   a  patte r n.   The  Am azi gh - nam ed  entit y  reco gnit ion   ( A ER)   base d  on  s ym bo li c  m et ho d  us es  li ng uisti c  r ules  m anu al ly   to  gen e rate  t he  im pr ovem e nt  of  gazett eer s  by   us in g  intr oduc ed  ap proac h  [ 34 ] .  T he  NER   syst e m   is  us ed  to  i m pr ove  the  new   sta ndard   Ar a bic  with     the h el p of t he R ule - ba sed  m e thod  [35].    b.   Stat ist ic al   Lear ning  m et ho d:   The  m uch   Stat ist ic al   Learn in g  m et ho d  is  ba sed  on  N ER  al gorithm s,  and   it   treat s  the  w ork  as  a  Se quen ce - la belin g   P r ob le m   (S LP).  The  SL P  is  a  com m on   m achine  le arn i ng   ( ML)  pro blem   and   has  bee n  helped  to  c reate   dif fer e nt  NL P  w orks   al so  co ntainin g  c hunkin g,   NE R ,    and   par t - of - s pe ech  ta ggin g.   The  Stat ist ic al   Learn i ng   a pp ro ac h  incl ud es   three  m od ule s  li ke  Hiddde n  Ma rkov m od el s,  Ma xim u m  en tr op y M a rko v m od el s and  c onditi onal  r a ndom   fiel ds .      3.2.2.  Speech   recogni tio n m eth od   The  NLP  is  a  m et ho d  t hat  ca n  m ini m iz e  the  distance   bet ween  m achine  an d  hu m an  be ing .   It  m akes   hu m an  to  com m un ic at e  with  the  de vice  wit hout  any  c om plexity .  The  S pe ech  Re co gnit ion   has  t he  cap abili t y  of   a  program   or   m achine  to  detect   phrase s  or  w ords  i n  a  ve r b al   la ngua ge   and   c ha ng e   them   to   a  m achine - u nd erstan dab le   form at .  It  is  a  t echnolo gy  w hi ch  al lows  hu m an  com m un i cat ion   with  de vices.     These  are  benefici al   in  every day  li fe  becau se  a  m achine  can  unde rstan d  by  voic e.  Th e  NLP   pe rform s   ver y   eff ic ie ntly   to  create   com pu te r - inter faces  that   m ake  m or e  com fo rt able  to  us e  f or   hu m ans.   The  m od er n  NLP   Evaluation Warning : The document was created with Spire.PDF for Python.
      IS S N :   20 88 - 8708   In t J  Elec  &  C om p  En g,   V ol. 10,  No.  5,   Oct ob e r 2 020  :    49 28   -   49 36   4932   m et ho d  al lo ws   the  us e  of  N L  t o  m anifest  pro gr am m ing   i deas  [ 36 ] .  T he   Figure   1   sho ws  the  w ho le   sp eec h  recog niti on   w orki ng   a nd  is  distribu te d  in   f our  sta ges.  The   featur e   ext racti on  (FE)  proces s  is  ap plied  by  us in g  Me l  fr eq ue ncy  cepstral  coe ffi ci ent  (MFCC )   in  w hich  vo ic e  featur e s  are  extracte d  f or   e ver y  vo ic e  sa m ples.  Af te r  t hat,  al l  fu nctio ns   a re  spe ci fied  to  Patt e rn   trai ning  w hi ch  is  trai ne d  by   hid de n  m ark ov   m od el   ( HM M)  to   gen e rate  HM M  fo r  eac h  w ord.   At  la st  t he  Vite r bi  dec od i ng   is  us e d  to  choose  th e  on e  wit h  m axim u m   pro bab il it y wh i ch  is   nothin g b ut r ec ognize d word [ 37 ].           Figure  1 .   S pee ch - r eco gnit ion  s yst e m       The Speec h - re cogniti on syst em  co ntains   f ollow i ng tech niques :   a.   Dynam ic   Ti m e   W a r ping  (DT W) :  The  DT W   m et ho d  is  a  Dynam ic   Pr ogra m m ing   m et ho d  wh er e  the  w hole  issue  is  distrib uted  into  a  sm al l  no .  of  ste ps  and   eve ry  ste p  nee ding  a  decisi on  to  be   create d  base d  on    the  L ocal - distance  m easur es.   The  w ho le   dec isi on   is   de pe ndin g   on  sm al l  decisi ons.   The   co nque rin g  a nd   div ide  m et ho dolo gy sti m ulate  the  DT W.  T he  D T W  c ould  f ind  t he  m ini m um  p at h  distanc e w it h  t he help  o f   m at rix,  and als o  ca n red uce t he  co m pu ta ti on  a m ou nt  [ 38 ] .   b.   Hidden   Ma r ko v  M od el s   ( H MM ):  In  HMM  sta ti sti cal   design  the   syst e m   bein g  desi gn e d  us es   Ma rko v  proce dure  with   unknown  par a m et ers.   The  ai m   is  to  def ine  the  unknow n  pa ram et ers  fr om   the  ob ser va ble   inf or m at ion .  I n  HMM,  the   sta te   is  no t  di rectl y  visible,  bu t  t he  v aria bl es  aff ect e d  by   the  sta te   w hi ch    are  visible.   c.   Vecto r  Q uan ti zat ion   ( VQ):   The  V Q  is  a  proce dure  f or   m app in g  vect ors  from   a  big   vector   s pace  to     a  lim it ed  nu m ber   of  cl us te r/r egio ns   in  that  sp ace.  T he  cl ust ering /m app in g  the  vecto rs  can  be  achie ved  by   us in g  a  clusteri ng alg or it hm  su ch  as LB G (L ind eB uzo an d Gr ay )  [3 9].   d.   Ergo dic  Hi dde n  Ma r kov  Mo dels  ( E - HMM):   Th e  HMM  is  the   opti m al   ap proach  f or  dem on strat i ng     the  voic e  si gn a l  because   the   HMM  is  sig nif ie d  in  te rm s  of  sta te s  w hich  i s  the  c har act e r ist ic s  of   t he  vo ic e  sign al   a nd   it   is  al so   sho wn   i n  te rm s  of   sta te s.  The  E - HMM  is  us e d  f or   m odel ing   the  vo ic e   sign al .  E - HM M   can  directl y cr eat e the  order  of v e rb al  elem ents in  a se qu e nce  [40].    e.   Ar ti fici al   Ne ural   Netw ork  ( A NN):   A n  ANN   is  a  pro gr am ,  wh ic h  trie s  to   cop y  t he  a ct io n  of  the   bi olog ic al  act ivit y  of   the  hu m an  m ind .  The  ANN  ha s  been   ef fectu al   with  ov erla pp i ng,  noisy   and   var ia ble  data   stream s.  It  pro vid es  e ff ect iv e p er form ance  in   vo ic e rec ogniti on  b eca us e  it   delivers   a  faste r  com m un ic at ion  as  com par ed  t o  “Te xt  Wr it ing ,”  it   has   a  ha nd   fr ee   abili ty ,  ben e fici al   for  m ental ly   or   ph ysi cal ly   disabled   peoples  [41 ].     3.2.3.  Op tical  char act er  rec ognitio n  ( OCR)  sy s tem   The  OCR  syst e m   per m i ts  to  scan  hand  or  ty pew ritt en  t ext  an d  cha ng e  the  scan ne d  picture  i nto   a  com pu te r  process  form at .  It  co uld  be   ei ther  i n  a  w ord   docum ent  or  plain  te xt  f orm .  The  trans f or m ed  do c um ent  can  be  m od ifie d,   or  us e d  in  dif fe ren t  do c um ents.  The re by,  th e  do c um ents  file   beco m es  edita ble.  The  OCR  is  us ed  wh e n  ren e wing  a  sim il ar  do c um ent  fi le   in  a  pag e   as  a  do c um ent  for m at   in  el ect ro ni c  form   ta kin g  e xtra  ti m e.  It  is  extensively   us e d  in  trans f or m ing   books  a nd   t exts  form at   in to  the  dig it al   form .    Hen ce ,  it   ca n  be  us e d  in   te xt   m ining ,   m ac hin e   tran sla ti on ,  c ha racter - re cogniti on  a nd  el ect ro nical l y  search .   T he  t hr ee im portant t ech nique s for   OCR  proc essing [ 42 ]   are  giv e n belo w :   a.   Pr e - Processi ng:  The  Pr e - proc essing  ste pis  to   gen erate  data  that  are  ver y  easy   and   eff ic ie nt  for  the  OCR  to  op e rate  an d  pe rfor m   accurate ly .  The  P re - processin g  sta ge   is  to  en hance   the  pictu re  qual it y  fo r  opti m al  recog niti on   by  the  syst e m .  Ther e  a re  fe w   te chn iq ues  w hich  im ple m e nt  this  proces s  are  De - S ke w,  Bi nar iz at ion, L ine - rem ov al ,  etc.   b.   Segm entat ion :  The  ne xt  OCR   processin g  ste p  is  segm entation ,  where  the   char act er  picture  i s  se gm ent e d  into  it s  su b - c om po nen t  f or m .  It  is  essenti al  because   if  on c e  extent  enters  into  a  separ at i on   of   the  dif fere nt   li nes  in t he  c ha racters,  it  aff ec ts t he  rec ogniti on - rate .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g   IS S N:  20 88 - 8708       A p ri or  c as e  stud y  o f  natur al  langua ge pr oc essing o n dif fe rent  dom ain   ( Shru t hi J . )   4933   c.   Po st - Processi ng:  T he   P os t - processi ng  do eserror - c orrecti on /dete ct io n  and  gr ou ping.   It  re fines   O CR   ou tc om es  with  the  help  of  s pell  or   gr am m ar  chec k  a nd   oth e r  sp eci fic  knowle dge - s ou rce  com par iso ns.     The res ult of p l ai n  sym bo l rec ogniti on in  te xt  for m  is a g r ou p of i ndivid ual  sy m bo ls.     3.3 .   Ap pli ca tio ns  of N L P   In this sect io n,  the  ap plica ti ons of  NLP  a re  di scusse d.     3. 3 .1 .   R ole of  t he N LP  in  th e   fiel d  of   AI   ap pli cat io ns   An  arti fici al   in te ll igence  ( AI)  is  a  m achine  w hich  t hinks  li ke   a  hu m an  an d  it   beco m es  depend e nt  pa r t   of   e ver y body’ s  li fe  by  pro vid in g  a  wi de  f orm   of   serv ic es .  Var i ous  w orkis  sti ll   in  pr ogress  t o  m ake  AI   a n  eff ic ie nt  syst em   to  interact   with  hum an.   On e  of   the  m ai n  te chn iq ues   in  AI   syst e m   is  NLP   wh ic h  play s     a  cru ci al   ro le   fo r  the  com m un ic at ion   task .  W it ho ut  NLP   an  intel li gen ce  syst em   cann ot  un der sta nd    the  m eaning   of  word s  in  c on t ext .   So   th e  NL P  can  be  cal le d  as  fun dam ental   un it   of   the  arti fici al   intel l i gen c e   wh ic h  ena bles  intel li gen t  syst e m   to  interact   eff ic ie ntly   with  hum ans  by  perform ing   co m m un ic at ion   proces s   su c h  as  a utom at ed  sp eec h  an d  aut om ated   te xt  wr it in g  b y  us i ng   na tural  la ng uage.  S om e  of   the  rece nt   te chn iq ues  are   discusse d bel ow:   a.   NLP  f or  sp ee c h  sy nth esi s :  In  this  process   NLP  is  ap plie d  for  te xt - to - s peech  c onversi on  in   w hich   te xt  inf or m at ion   is  ta ken   as  in pu t  to  the  syst e m   a nd   a fter  co nver sion,  m achine  rep l ie s  into  s pe ech.  T he  proce s s   involves  va rio us   high  le vel  m od ules  f or   pe rfor m ing   s peec h  synt hesis  a nd  the  sente nce  unde rstan ding  and  segm entat ion  pro ces s is  done by usi ng  decisi on tree.   b.   NLP   f or  sp eec h  rec ogniti on :  In   this  N LP  in cl ud es  c on te xt  fr ee  gram m ars  to  unde rstan d  the  sente nces  a nd   phrase  i n  s poke n  la ng uag e   a nd  the n  e xtract  m eaningfu l  i nfor m at ion   an d  t ran s f or m   the m   to  dig it al   patt er n  that m achine can   unde rstan d[43 ].      3.3 .2 .   R ole of  t he N LP  in  th e   fiel d  of   big - d ata and  classi f ic at io n   The  te xt  cl ass ific at ion   ha s  c on ti nu ously   be en  an   interest i ng   t op i c  i n  th e  researc h  fiel d  of  NLP ,   and  w hile  ente rin g  in   the  a ge  of   bi g  data,  ef f ic ie nt  te xt  cl assifi ers  a re  diff i cult  to  ob ta i n  NLP   f or   t he  sc ie ntific   data analy ti cs. To  provide t he  h igh  c om pu ta ti on al  p e rfor m ance to  te xt classi ficat ion  in  th e era o f  bi g  dat a [32]   a  deep   ne ur al   netw ork  c on ce pt  is  with  hybr id  outl ie rs  in  wh ic h  te xt  cl a ssifie rs  are  cl assifi ed  as  ru le s - base d  and  sta ti sti cal  cl assifi cat ion  m e tho ds.  Wh il e  m os t  of  th e  m achine  le ar ni ng  te ch niqu e s  su c h  a s  s uppo rt   vecto r  m achine,  decisi on  tre e  KNN,   ne ura l  network,  ke r nel  le arn in g  ha ve  ap plied  in   the  process  of  te xt  cl assifi cat ion   [ 44 ] .     3.3 .3 .   NLP in   th e  are a of   bu siness  and  soft w are m anag e ment   The  fiel d  of   business  proc ess  m anag em ent  faces  a  lot  o f  c om plexiti es  to  pro vid e  qual it y  of   ser vices   du e  to  the  grow t h  of  en orm ou s  dem and   and   the  te ch no l og y.  Ma ny  researc her s  ha ve  draw n  at te ntion   t o  red esi gn i ng  pr ocess  via  NL P  to  pro duce   bette r  res ult  an d  perf or m ances  t o  the   bu si ness   orga nizat ion.     A  do m ai n  m o del  is  desig ne d  to   ha ndle   the  iss ue  of   c us tom er  fee dback  th r ough  t he  s upport  of   so ci al   m ul tim edia  [3 9 ] .  An  NL P  is   i m ple m ented  with  geo l ocati on  co nte xt  to  achieve   ef fici ent  in te r face  by   us i ng   fu zzy  m od el  [4 1 ] .      3. 3 .4 .   NLP  f or  o n to l ogy l ear ning   The  te rm   “ont olo gy”  is  c onside red  withi n  diff e ren t  se ns es  i n  di ff e r ent  areas .  F or  an  a rtific ia l  intel li gen ce,  ontolo gy  can  be   def ine d  as  a  sp eci fic  co ncep t   su ch  as  thin gs,  even ts ,  and   r el at ion s  that  are  us e d  to  su pp or t  in form ation   exc ha ng e  betwee n  di ff e ren t  entit ie s.   NLP   is  cl os el y  relat ed  to  the  On tol og y ’s  it   can  be   us e d  to   de fine  essenti al   r ules  for  sem antic   analy sis  an d  quest ion   a nd  a nsweri ng  syst em .   Va rio us   a ppr oa ches   su c h  as  sy m bo li c,  sta ti sti cal   and   hy br i d  hav e  dr a w n  to  inf or m at i on   e xtracti on,   and   r et rieval   fr om    the  knowle dge   resour ce  a nd  s om e  of   these  te chn i qu e s  ha ve   been   ta ken   i nto   c on si der at i on   for  te xt  m in ing   via  on t ology  le ar ni ng   a nd  w hich   is  ha ving  an   eff ect ive  res ult.  The  sym bo li c  m et ho d  e xp loit s  hu m an  na tural   la nguag e   (lin guist ic   inf or m ation)  da ta   to  m ine  use f ul  in form ation   f r om   t he  te xt.   S uch  as  noun  phras es  are   ta ken  a s to  lexi cal  idea to  d e note  in  a n o nto l og y.       3.2.5 .   NLP in   th e  are a of  Bi oinform at ic s   Bi oin f or m at ic s   is  cl ass  of   sci ence  w hich  use s  the  com pu te r  te chnol og y  to  extra ct   the  knowl ed ge   or   inf or m at ion   from   the  colle ct ion   of  bio l og ic al   data.  The  proc ess  of   in form at io n  extracti on  i nvolv e s    the co ll ect ion,  stora ge,  m anip ulati on ,  m od el ing an d retrie va l for a naly zi ng ,  p re dicti ng and  v isuali zi ng th r ough   the  de velo pm e nt  of  s of t war e   an d  the  al gorithm .  Text  m ining   [ 41 ]   a nd  NLP   te c hn i qu e s  play   the   very   i m po rtant  r ole  to r ec over  us e r  prefe ren ce  kn ow le dg e  fro m  g r ow i ng  datab ases.      Evaluation Warning : The document was created with Spire.PDF for Python.
      IS S N :   20 88 - 8708   In t J  Elec  &  C om p  En g,   V ol. 10,  No.  5,   Oct ob e r 2 020  :    49 28   -   49 36   4934   3.2.6 .   Te xt mi ning ap proac hes to  protei n  research   DNA  an d  prot ei n  sequ e nces  are the  ty pes  of g eneti cal  lan gu a ge  co des  in  w hich  N LP and text  m ining   m et ho ds  are   a pp li ed   to   analy ze  the  bio i nform at ic s.  A  la te nt  sem antic   analy sis  was  a ppli ed  to  protei n  rem ote  ho m olo gy  de te ct ion ,  a nd   a na ly sis  of   prot ei n  sp ect ra l  ori gin at es  f r om  the  sta ti sti ca l   fr eq ue ncy  in   NLP ,     and  var io us  w eb  se r ver s   we r e  desi gn e d  to  extract  knowle dg e   feat ur es   a nd  gram m ar  rul es  of  protei n,   DNA,  and  RN A  se qu ences .     I n  t he  fiel d  of   predic ti ng   protei n  st r uctu re,  s om e  research  w orks   ha ve  us ed   m a ch ine   le arn in g  pr e di ct ion   m et ho ds  for  pr e dicat io n  of   protei n  di so r der   w hich  base d  on  AI  a nd  ne ur al   net work,  m axi m u m   entro py,  s upport  vecto r  m achine  and   ra ndom  fo rest .   F or  predict io n  of   protei n  f unct ion  so m e   ano t her   w ork  is  carrie d  out  in  te rm s  of   ide ntifyi ng   reg i on  of     s ub - cel lul ar  protei n,  pr otein  rem ote  hom olo gy   detect iono bs er ving  m ulti fu nc ti on al   enzym e s,  cl assify in g  protei n  functi ons  a nd   cl assif yi ng   tra ns - m em br ane  protei n  by  us i ng  m achine  le arn i ng  al gorith m   su ch  as  SVM   ,  kernel  m e thod,  decisi on - m aking  tree ,   r andom   forest,  Ba ye sia n  netw ork  Tex t  pr ocessi ng   m et hods   w hich  a re  as  on tol og y  annotat ion   a nd  sa m ple  weight ing ,   are  use d  to  de te ct   featur es   and  proce ss  tr ai nin g  data  a nd  gr am m atical  analy ses  hidden   Ma r kov  m od el    (H MM )   [ 38, 3 9] .       4.   KEY  CHALL ENGES I N N LP   The   key c halle ng e s in  N L P a r e:   a.   High  Scal e  I nfor m at ion   Ac qu isi ti on :  For  the   pr e dicti on  of   l inguist ic   struct ur e  i nfo rm ation ,  knowle dge  of   idiom s,  le xical  and   ge ner al   pa tt ern s  rec ogni ti on ,  m os tl y  th ou s an ds   of   m illi on s  of  knowle dg e  i nfor m at io n  will  b e  require d.   b.   Am big uity   Pr ob le m :   A m bi gu it y  is  the  m os t   sign ific a nt  chall eng e  i n  NLP.  NLs   are  ridd le d  wit h  a m big uiti es  at   each  le vel  of   descr i ption,  i.e .,  f ro m   phonet ic   to  so ci ologic al .  Un ti l  no w,   hu m an’ s  natu r al   la nguag e s,  syst e m   is  un awa re  of   t his  pe rv asi ve  am big uity — i t  com es  to  research e r’s  at te ntion   i n  the  guise   of su c h  m isund erstan dings,  lo gisti cal   m arg in al  co nce pt a nd  con te ste d  li bel  su it s.   c.   Lan gu a ge  Va r ia bili ty :   Hu m a n  la ngua ges  a re  highly   rich ,  and   t ho se  ha ve  dif fer e nt  ways  to  ex pr e ss    a sp eci fic  m ea ning li ke,  e.g.  “wh ic h  is t he  near est  h otel ? ” & “can  you  ple ase te ll  m e  the  address of  nea r est   ho te l ? ”  bo t h  se ntences  ha ve  a   si m il ar  m eani ng.  T hus,  NLP  ap proach  will   fig ur e  out  th ose   two  sente nc es   m ean  the  sam e.  T her e fore,  t her e   are  seve r al   ways  to  re present  t he  te xt   sem a ntics  or   to  disti ng uish   two  te xts.   d.   Sem antic s  Pr oble m :  The  f un dam ental   chall eng e   is  that  we   don’t   hav e   the   knowle dge  of  hu m ans  sem antic  structu res  a re  li ke;  on e  si gn i ficant  m et ho d  is  to  stud y  t hat  they   are  ve ry  near e r  to  hu m an  synta ct ic  structu res.  I n  t his  m e tho d,  a  su it able  stud y  of  sem antic s  is  s uppose d  to  pro vid e  hi gh   c onstrai nt  the  le vel of   interp retat ion s .   e.   Kno wled ge  Re pr ese ntati on :  How  do  hum a n  re present  t he   bac kgrou nd  w or l d  in form at io n,   by  pointi ng   tha t   it   req uires  to  i nteract  with  th e  structu re  of   s e m antic   rep res entat ion   in  the  la nguag e  unde rstan ding  proc ess.   Hav e  to  a naly ze  that  kn owl edg e  a nd   m ea ning  represe nt at ion   is  the  sam e,  it  m eans  that  la ng ua ge  is     a m irror  of  m ind   or m ental  r ep resen ta ti on  of the  world .   f.   Learn i ng   of  la ngua ge:   Wh at   are  the  words,  and   how  t hey  are  cat eg or iz e d  and   w hat  is  it s  patte rn   struct ur e   (i.e.,   i dio m s,  synta ct ic ,  et c.)  and   is  a  ver y  com plex  ta sk ,   therefo re  the   ro le   of   la ngua ge  le ar ning  a nd   knowle dge  representat io n  is  one  of the c omm on  ch al le nge s in NLP  app roach.       5.   CONCL US I O N   Fr om   this  stu dy   can  c on cl ude  that  NL P   is  a  sign i ficant  a ppr oach   w hich   has  uniq ue  f e at ur es  with   excell ent  c omm un ic at ion   ap proac h,   i.e .,  N LP  is  t he  set   of  to ols  a nd  m et ho dolo gy  of  kn ow i ng  to   achie ve     the  goal s  a nd  get  res ults  dur ing   knowle dge   disc ov e ry.  T he r ef or e ,  the   ca se  stu dy  pr ov i des  t he  necess it y  of     the  NL P   in   the  c urren t  c om pu ti ng   w orl d  al on g  with  diff e re nt  ap proach e s  a nd   t he ir  ap plica ti ons.  Als o,     it  h igh li ghts t he  criti cal  ch al le ng e s in  the  de ve lop m ent o f  n e w NLP m od el .       REFERE NCE S   [1]   H .   La n e,  e t al . ,  “ Natur al Languag e  Proce ss ing   in A ct ion, ”   Mann in g  Publications ,   2 018 .   [2]   S .   Singh,  “ The  role   of   spee ch   te chno log y   in   biometri cs,   fore nsics  and  m an - m ac hine   int erf a ce , ”   Int ernati on al  Journal  of   Elec t rical   and   Computer  Eng ine ering   ( IJE CE) ,  v ol. 9,  n o.   1 ,   pp .   281 - 2 88,   2019 .   [3]   I .   El   Baz i   and   N .   La a chf oubi ,   “ Arabi c  Nam ed  Ent ity   Re cogni t i on  Us ing  Dee p  Le arn ing  Approac h , ”   Inte rnatio nal   Journal  of   Elec t rical   and   Computer  Eng ine ering   ( IJE CE) ,  v ol. 9,  n o.   3,   pp .   2025 - 2032,   2019 .   [4]   Prathe ek  I .   and  J.  Paulose ,  “ Predic ti on  o f  Ans wer  Ke y words   using  Char - RNN , ”   Inte rnational   Journ al  of  El ectric a l   and  Computer  E ngine ering   ( IJECE) ,   v ol. 9,  n o.   3,   pp .   2164 - 217 6,   2019 .   [5]   “ Natur al   La ngua ge  Proce ss ing , ”  [ Online ] .   Avai la b le :   htt ps: // en . wik ipe di a. org/wik i/N at ura l_ la nguag e_pr oce ss ing.   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g   IS S N:  20 88 - 8708       A p ri or  c as e  stud y  o f  natur al  langua ge pr oc essing o n dif fe rent  dom ain   ( Shru t hi J . )   4935   [6]   “ Sy nt ax -   Engl is h  sente n ce struc t ure , ”   [Onlin e] .   Avail ab le :   esl . fis . edu/lea rn ers/a d vic e /s y nt ax. h tm.   [7]   Rat inov ,   L ev,  an d  Dan  Roth ,   “ De sign  challe ng es  and  m isconc ep ti ons  in  named   en ti t y   rec ogn it ion , ”   In  Proceedi ng s  of  th e  Thir teenth   Confe ren ce on Com putat ional   Natural  Language  Learning   ( CoNL L - 2009 ) ,   pp.   147 - 1 55,   2009 .     [8]   R .   J.  Moone y   and  R .  Bun esc u,   “ Mining  Know le dge  from   Te xt  Us ing  Inf orm at ion  Ext r a ct ion , ”  SIGKD D   Ex plorati ons ,  v o l. 7 ,   no.   1 ,   pp .   3 - 10 ,   2005 .   [9]   M .   Coll ins,  “ C hapt er  2 :  Ta gg i ng  Problems ,   and  Hidden  Markov  Models, ”   Course  note   for   NLP,  Colum bia   Univer sit y ,   2013 .   [10]   M .  La p at a   and  F .   Keller,  “ W eb - base d  m odel s  for  Natur al   La ngu ag e  Proce ss ing , ”  A CM  Tr ansacti ons  on  spee ch  and   Language  Proces sing ,  v ol .   2 ,   n o.   1 ,   pp .   1 - 30,   Feb .   2005 .   [11]   N .  Ranjan,   et   al.,   “ A  Surve y   on   Te chn ique s  in   NLP , ”  Int ernational  Journal  of   Computer  Appl i cat ions ,   v o l.   13 4 ,     n o.   8 ,   pp .   6 - 9 ,  Ja n .   2016 .   [12]   A .  Copesta k e ,   “ Natur al Languag e  Proce ss ing , ”   [ Online ] .   Avai la b le :   h tt p :/ /www . c l . ca m . ac.uk/ users /a a c/ .     [13]   R.   V .  Alm ada ,   e t  al . ,  “ Natur al   L angua ge  Proc essing  and  Te xt  Mi ning  to  Ide nti f y   Know le dge  Profile s  for  Software   Engi ne eri ng  Pos it ions:  Gen era t i ng  Know le dge  Profile s  from   Resum es, ”   2017  5th  Inte rnat iona l  Confe ren ce   in  Soft ware  Engi ne ering  R ese arch  and  Innov at ion  ( CONISO FT ) ,   Mérida,  Mex ic o ,   p p.   97 - 106 ,  2017 .   [14]   C.   B.   Q.  Pelay o ,   et   al . ,  “ Natur al   la nguag e  proc es sing  for  improving  hea ring  i m pa ire d  student   re ad ing  skill s , ”   2017  Inte rnational   Co nfe renc e  on   Info rm ati on  Syste ms   and  Computer   S ci en ce ( INCISCOS) ,   Quito ,   pp .   201 - 206 ,  2017 .   [15]   K.   Khali d ,   e t  a l. ,  “ Ext ension   of  Sem ant ic   Bas ed  Urdu  Li nguisti c  Resourc es  Us i ng  Natur al  L angu age   Proc essing, ”   2017  IEE E  15 th   Int ernati onal   C onf ere nc e   on  De pendabl e ,   Aut on omic  and  Sec ur e  Computing,   1 5th  Int ernati ona l   Conf ere nc e   on  Pe rvasiv e  Inte l ligence   and  Computing,   3rd  Int e r nati onal   Conf er enc e   on  Bi g  Dat a  Inte ll ig ence  and  Computing  and  Cybe r  Sci en ce   and  Technol ogy   Congress( DAS C/P iCom/DataC om/Cybe rSciTe c h) ,   O rlando,  FL ,  pp.   1322 - 1325 ,  2017 .   [16]   J.  L.   J .   Marque z,   et   al . ,  “ Chall enge s  And  Opportunit i es  In  An aly tic - Predi ct iv e   Envi ronm ent s  Of  Big  Data  And  Natur al   L angua g e  Proce ss ing  For  Socia l  Network   Rat ing  S y st ems , ”   in  IE EE   Latin   Ame rica  Tr ans act ions ,   vol .   16,   no.   2 ,   pp .   592 - 5 97,   Feb .   2018 .   [17]   H.  El ah ini a ,   e t   al . ,  “ Predic t in g  m edi ca l  non a dher ence  using   nat ura l  la ngu a ge  proc essing ,”   2017  IEE E  M IT   Undergr aduate   Re search  Te chn ology   Con fe renc e  ( URTC) ,   Camb ridge ,   MA ,   pp .   1 - 4 ,  2017 .   [18]   S.  Slat er ,   et   al. ,  “ Us ing  nat ura l  language   proc essing  tool s  to  devel op  comple x  m odel s  of  student   en gage m ent , ”   201 7   Sev en th  Inte rnat ional   Confe renc e  on  Af fe c tive  Computing  and  Inte lligen t  Inte r act ion  ( ACII) ,   S an  Antonio,   TX ,    pp.   542 - 547 ,  20 17 .   [19]   I.   C alapode scu ,   et   a l. ,  “ Sem i - Autom at ic   De - id enti fic a ti on  of  Hos pi ta l  Disch arg e  Su m m ari es  with  Natur a l  La ngu age   Proce ss ing:   A  Case - Stud y   of  Perfor m anc e  an d  Rea l - W orld  U sabil ity , ”   2017  I EE E  Int ernati on al  Confe renc e  on   Inte rnet  of  Thin gs  ( i Things )   an d  IEE E  Gr ee n  Computing  and  Comm unic ati o ns  (Gr ee nCom )  and  IEE E  Cyb er,   Phy sica l  and   So ci al   Computing  ( CPSCom)   and  IEE E   Smar t  Data   ( Smar tData ) ,   E xet er ,   pp .   1106 - 1111 ,  2017 .   [20]   P.  Bronie cki   an d  A.  Hanc har ,   “ Data   Innova t ion   for  Inte rna ti on a l  Deve lopment:   An  over vie w  of  nat ura l  la nguag e  proc essing  for  q ual itati v e  da ta   a naly s is ,”   2 017   I nte rnational   Confe renc e  on  th e  Fronti ers  and  A dvanc es  in  Da ta  Sci en ce ( FA DS) ,   Xi'an ,   pp.   9 2 - 9 7 ,   2017 .   [21]   S.  Ži tni k ,   e t  al. ,   “ nutIE — A  m od ern   open  source   nat ur a l  la ngu age  proc essing  toolkit ,”   2017  25th Telecomm unic atio n   Forum ( TEL FO R) ,   pp.   1 - 4 ,   2017 .   [22]   C.   J.  Bab y ,   e t  al. ,   “ Hom e  aut om at ion  using  IoT  a nd  a  chatbot  usi ng  nat ura l  l a ngu age   proc essing ,”   2017  Innov ati o n s  in Powe r and   Ad vanc ed   Computi ng  Technol og ie s   ( i - PA CT ) ,   pp.   1 - 6,   2017 .   [23]   A.  R.   Sharm a   and  P .   Kaushik ,   “ Li te r at ure   surve y   of  stat isti ca l ,   de e p  and  rei nfor cem ent   le arn ing  in   nat ura l  la nguag e   proc essing ,”   20 17  Inte rnation al  Confe ren ce  on  Computin g,   Comm unic at io n  and  Aut o mation  ( ICCCA) ,     pp.   350 - 354 ,   20 17.   [24]   M.  A.  Ahm ed   and  S .   Tra usan - Ma tu ,“ Us ing  nat ura l  la nguag e  proc e ss ing  for  ana l y z i ng  Arabi c  poe tr y  rh y thm ,”   2017  16th  Ro EduNe t   Confe renc e  N etwor ki ng  in   Education  and   Re s ea rch  ( RoE duNet ) ,   pp.   1 - 5 ,   2017.   [25]   K.  R.   Pole  and   V .   R.   Mote ,   “ I m provised  fuz z y   c luste ring  usi ng  name  ent i t y   rec ogni ti on  and   nat ura l  la ngu ag e   proc essing ,”   20 17  1st  Inte rnat i onal  Confe ren ce  on  Intelli g ent  Syste ms   and  Inf orm ati on  Manage ment  ( ICI SIM) ,     pp.   123 - 126 ,   20 17.     [26]   C.   Ber te ro ,   e t  al . ,  “ Expe r ie n ce  Report :   Log   Mining  Us ing  Natur al  La ngu a ge  Proce ss ing  a nd  Ap pli c at ion   to   Anom aly   De te c ti on, ” 2017  IE E E  28th  Inte rnat ional   Symposiu m  on  Soft ware   Reliabi l ity  En gine ering   ( ISSRE ) ,   Toul ouse,   pp.   35 1 - 360 ,  2017 .   [27]   M.  S.  M.   Suhai m in,   et  a l. ,  “ Nat ura l  la nguag e  pr oce ss ing  base d   fea tur es  for  sar c asm   det ection:  An  inve stig at ion   using  bil ingu al   s oci a l  m edi a   t exts , ” 2017  8th   Inter nati onal  Conf ere nce  on  Informa ti on  Techno logy  ( ICIT ) ,   Amm an,   pp.   703 - 709 ,  20 17 .   [28]   N.  Alami,   e t  a l. ,  “ A  sem i - aut oma te d  appr oa ch  f or  gene r at ing  se quenc e  d ia gr ams   from   Arabi c  user  req uir ements   using  a  na tura l  l angua ge  proc essing  tool , ” 2017  8 th  Inte rnational   Confe renc e  on  Information  Technol ogy  ( ICIT ) ,   Amm an,   pp.   309 - 314 ,  2017 .   [29]   H.  Zhua ng,   et   al . ,  “ Natur al   Language   Proce ss i ng  Servic e  Bas ed  on  Stroke - L eve l  Convolu ti o nal   Networks  for  Chine se  Te x t  Cla ss ifi c at ion , ” 2 017  IEE E  Int ernati onal  Conf ere nce   on  We b  Serv ices  ( ICWS ) ,   Honolulu,   HI ,    pp.   404 - 411 ,  20 17 .   [30]   S. Deshm ukh,   et   al . ,  “ Sia:   An  in te ra ct iv e  m edi c a l  assistant   usi ng   nat ura l  la ngu ag e  proc essing, ” 20 16  Inte rnational   Confe renc e  on  Global  Tr ends  in  Signal   Proc essing,   Informatio n  Computing  and  Comm unic ati o n  ( ICG TSPICC),   Jal gaon,   pp.   584 - 586 ,  2016 .    [31]   T.  Eft imov,  e t  a l. ,   “ A  rule - base d  named - ent ity   rec ogni ti on  m et hod  for  knowledge   ext ra ct ion  o f  evi denc e - base d   die t ar y   r ec om m enda ti ons ,”   Pl oS  one ,   vo l.   12 ,   no.   6 ,  p p.   e0179488 ,  2017 .   Evaluation Warning : The document was created with Spire.PDF for Python.
      IS S N :   20 88 - 8708   In t J  Elec  &  C om p  En g,   V ol. 10,  No.  5,   Oct ob e r 2 020  :    49 28   -   49 36   4936   [32]   J .   Jiang,   “ Infor m at ion  Ext r ac t io n  from   Te xt , ”  i n  Aggarwal   C.   and   Zhai  C.   ( ed s) ,   “ Mining  Te x t  Data ,”   Spring e r ,  Boston,  MA ,   pp .   11 - 41,   2012 .   [33]   S.  Boula knade l ,   et   al. ,  “ Am az ighe   Nam ed  Ent ity   Rec ognition   using a   A rul e  base d  appr oac h , ”   2014   IEE E/ ACS  11t h   Inte rnational   Co nfe renc e  on   Co mputer  Syste ms   and  Applications ( AICCSA ) ,   Doha,   pp .   478 - 4 84 ,  2 014 .   [34]   H.  El sa y e d   and  T .  El gha zal y ,   “ A  named  en ti t ies   rec ogni ti on  s ystem  for  m oder n   standa rd   Arabi c   using  rul e - base d  appr oac h ,”   2015   Fi rs t  In te rnatio nal  Conf ere nce  on  Arabic Computat ional Lingui stic s ( ACLing) ,   pp.   51 - 54 ,   2015 .   [35]   Za y kovski y ,   Dm it r y ,   “ Surve y   of  the   spee ch  re cog nit ion   techniqu e s  for  m obil e  devi ce s, ”   Proc.   of  DS  Publ ic ati ons ,   2 006 .   [36]   R.   S.  Chav an   a nd  G .   S.  Sabl e ,   “ An  Overvi ew  o f  Speec h   Recogniti on  Us ing  HM M ,”   Inte rna ti onal  Journal  o f   Computer  Scien ce   and   Mobi le Computi ng ,   vo l.  2 ,   no.   6 ,   pp.   233 - 2 38 ,  2013 .   [37]   T.   B .   Am in   and  I .   Mahm ood ,   “ Speec h  rec ogn it io n  using  d y n amic   ti m e  warpi ng ,”   2nd  Inte rnationa l  Confe ren ce   o n   Adv anc es  in   Spa ce   Te chnol ogi es,   2008  ( ICAST 20 08 ),   pp.   74 - 7 9 ,   2 008.   [38]   M.  Sale em,  et   a l. ,  “ Self  learni n g  spee ch  r ec ogn it ion  m odel   usin g  vec tor  qu antiz at ion , ”   2016  S ixth  Inte rnat ional  Confe renc e  on   I nnovat i ve   Comp uti ng  Te chnol og y  ( INTECH) ,   Du bli n ,   pp.   199 - 20 3 ,  2016 .   [39]   S.  T.   Pan,   et   al. ,  “ Speec h  rec ogni ti on  via   Hidden  Markov  Model  and  neur al   net wo r k  tra ine d  b y   ge net i c  al gori thm, ”   2010  Inte rnat ion al  Conf ere nce o n  Ma chi n e  Lear ning  and  C ybe rn et i cs,   Qingd ao,   p p.   2950 - 2955 ,  2 010 .   [40]   P.  P.  Pata nge  a nd  J.  S.  R.   Alex,   “ Im ple m ent ation  of  AN N   base d  spee ch  rec o gnit i on  s y st em  on  an  embedde d   boar d, ” 2017  Int ernati onal  Conf ere nce   on  Next gen  El e ct ronic  Technol ogi es:  Sil ic on  to  Sof twar e  ( ICNETS2 ) ,   Chenna i ,   pp .   40 8 - 412 ,  2017 .   [41]   A .  Chaudhuri,  e t  al. ,  “ Optical  Chara c te r  R ec o gnit ion  S y stems   for  Diffe ren t   L angua ges  wi th  Soft  Com puti ng, ”   Springer ,   2016 .   [42]   A.  Reshamw al a ,   et  al.,   “ Revi ew   on  na tural  l ang uage   pro ce ss ing ,”   IR ACST  Engi n ee ring  S ci en ce  a nd  Technol og y:   An  Int ernati onal   Journal  ( ESTIJ) ,   vol .   3 ,   no .   1 ,   pp .   113 - 116 , 2 013 .   [43]   A.  Trilla,  “ Nat ura l  La nguag e   Proce ss ing  t e chni ques  in  T e xt - To - Spee ch  s y nth esis  and   Autom at ic  Speech  Rec ognition ,”   Depa rt ament  de  T ec nolog ie s  Media   Engi n y eria  i  Arquite c tura   La  Sall e  (Unive rsit at   Ramon  Ll ull ) ,   Barc e lona ,   2009 .   [44]   C.   Strappa r ava   and  R.   Mihalce a ,   “ Le arn ing  to  i dent if y emot ionsi nte xt , ”   in S AC’0 8:  Proce edi ngs  of  the   2008  ACM   sympos ium  on  A ppli ed   computi n g,   New York ,   pp .   1556 - 1560 ,   20 08.       BIOGR AP H I ES   OF  A UTH ORS        Sh ruthi  J .   completed  B. E  i n  CS E  from   VTUin  t he  y e ar2 006,   a n d  complet e d   Mte ch  from   VTU   in  the  y ear  2008 .   Curre n tly   purs uing  Ph.D  in  C om pute r  Scie n ce  and  Eng ineeri n g,   Sir  MV IT  under   VTU.Cur ren tly   working   as  As sistant   Profess or,   Depa rtment  of   CS E,   BMS ITM,   Benga luru ,   with   10  y e ars  of  te a chi ng  expe r ie nc e  and  al so  has  0 1  y ea r  of  industr y   expe r ie n ce.  Area s of  intere st   are   Spe ec h  Proc essing,   Dat a  m ini ng,   Big   Data,  M ac hin e  L ea rning   and  Natur al  La nguag e  Proc e ss ing.         Dr.   Su ma  Sw a my   complet ed  h er  B. E  in  ECE   fr om   KBP   Coll ege   of  Engi n ee ring ,   Sata r a  under   Shivaj i  Univ ersi t y ,   and  Kolh apur   in  1990 .   She   co m ple te d  Pos t  Gr adua t e  Diploma   in  Advanc ed  Com pute r  Te chn olog y   (AS SET)  from   Aptec h,   M  G  Road,   Bengaluru  in  1996.   Sh e  completed  her   M.T ec h   in   E CE  from   Sir  MV IT,   Beng al uru  under   VTU  in  2 005.   She  comple te d  her   Ph.D  in  Inform at ion  and  Com m unic at ion  Eng ine er in g,   Anna  Univer sit y   Ch ennai  in   2014.   She  is   cur ren t l y   workin g  as  Profess or,   Depa rtment  of  CS E,   Sir  MV IT,   Benga luru.   She   is  guidi ng  6   rese ar ch  schol ar s  under   VTU.  S he  has  27+  y e ar s  of  expe rie nc e  in  te a chi ng  with   2  y ea rs  of  industr y   expe r ience .   Her  ar ea s  of  int er est  ar e  Speec h  Proc essing,   Dat a  m ini n g,   Big  Da ta,  Mac hine  Learni ng,   Natur al  La n guage   Proc essing,   Algori thms ,   Data base   Mana g ement  S y st e m s  and  IoT .   She  h a s  21  publi c at ion s  in  her   cre d it   in   ren owned  p ee r  rev ie wed   Journa ls  with  g ood   impact   f ac tor   a nd  Nati on al   an d  Inte rn at ion al   Confer ences.  Sh e  has  al so  au th ore d  a   book  “ PR ACTICAL  AP PLICATIONS  OF   SP EE CH   SIG NA LS "  pu bli shed  b y   LAP  LAMBERT,  Germ a n y .   She  h as  42  ci tations  f or  her   publicatio ns  with  h  inde x  of  2  with  top  h  c it ed  r ese arc h  publi c at ion  ti t led  “ Speake r  Inde pende n t  Digit   Rec ognition  S y s te m   “ (18  ci ta t io ns)  and  RG  score   of  1. 29.   She  is r evi ewe r  for m an y   IEEE  Inte r nat ion al   Journals .   She  was S essio n  Chai r  for  m an y   Inte rn at io nal   and  Nati ona l  Confer ences.  She  is  an  Edi torial  Board  m emb er  of  Scie nce  Publishing  Group,  US A.  She  is a L if e  Mem ber   of   CS I  and   ISTE  p rofe ss iona l  bod i es.     Evaluation Warning : The document was created with Spire.PDF for Python.