我的回答不仅限于 NLP，而且我认为 NLP 在这方面与其他类型的学习没有什么不同。

提供了一个有趣的技术外观：On Discriminative vs. Generative Classifiers - Andrew Ng，Michael Jordan。

现在更非正式的意见：

判别分类器直接攻击学习问题。最后，您构建了预测分类器，这意味着您构建了一个估计$p(y|x)$. 生成模型通过贝叶斯定理到达相同的估计，但它确实估计了联合概率并因此获得了条件。

直观地说，生成分类器需要更多数据，因为建模的空间通常大于判别模型的空间。更多参数意味着需要更多数据。有时不仅参数，甚至联合分布的形式也更难建模而不是条件。

但是，如果您有足够的可用数据，那么生成模型应该会提供更强大的模型也是可以预期的。这些是直觉。Vapnik 曾经问过，当我们要解决的是有条件的问题时，为什么要进行联合分配？如果你只对预测感兴趣，他似乎是对的。

我的观点是，有许多因素会影响构建有条件的生成模型，其中包括形式主义的复杂性、输入数据的复杂性、将结果扩展到预测之外的灵活性以及模型本身。如果判别模型作为可用数据的函数具有优势，那可能是一个很小的差距。