Koreferentsi lahendamine (coreference resolution) on loomuliku keele töötluse ülesanne, mis tuvastab, millised väljendid tekstis viitavad samale isikule, asjale või küsimusele. Lauses „Proua Weber helistas. Ta soovib tagasihelistamist“ peab süsteem aru saama, et „ta“ tähendab proua Weberit. See on oluline kokkuvõtete, infoekstraktsiooni ja vestlusrobotite jaoks, mis peavad mitme lause või vestluskorra vältel viidetel silma peal hoidma.
Loomuliku keele töötlus on TI haru, mis võimaldab arvutitel analüüsida, mõista ja genereerida inimkeelt tekstis või kõnes. See hõlmab ülesandeid nagu tõlge, klassifitseerimine, kokkuvõtete tegemine, meelestatuse analüüs ja küsimustele vastamine. Kunagi domineerisid reeglid ja statistilised meetodid; tänapäeval kujundavad valdkonda suured keelemudelid.
Nimeüksuste tuvastus (named entity recognition, NER) on loomuliku keele töötluse võte, mis leiab tekstist inimeste, ettevõtete ja kohtade nimed ning kuupäevad või summad ja määrab igaühele kategooria. See muudab vaba teksti struktureeritud andmeteks. Näide: e-kirjast eraldatakse automaatselt saatja ettevõte, kontaktisik, tarnekuupäev ja arve summa ning kantakse need CRM-i.
Sõltuvusanalüüs (dependency parsing) on loomuliku keele töötluse võte, mis kujutab lause grammatilist struktuuri sõnadevaheliste sõltuvustena. Iga sõna on seotud valitseva sõnaga, näiteks alus ja sihitis öeldisega: lauses „Klient tellib kaks lampi“ sõltuvad „klient“ ja „lampi“ sõnast „tellib“. See aitab infoekstraktsioonis, näiteks selle tuvastamisel, kes mida tegi.
Loomuliku keele mõistmine on keeletöötluse osa, mis haarab väljendi tähenduse: milline kavatsus selle taga on, milliseid inimesi, kohti või kuupäevi mainitakse ja milline on toon? Koos loomuliku keele genereerimisega (NLG) moodustab NLU ühe NLP kahest poolest. Näide on klienditeenindussüsteem, mis tuvastab lause „Mu pakk ei ole veel kohale jõudnud“ tarnepäringuna.
