自然语言处理是一个令人生畏的领域名称。从非结构化文本中生成有用的结论是很困难的，而且有无数的技术和算法，每一种都有自己的用例和复杂性。作为一个接触NLP最少的开发人员，很难知道要使用哪些方法以及如何实现它们。本文的目标读者是希望将自然语言处理快速集成到他们

在最新的博客文章中，谷歌公布了一个新的 NLP 模型，在文本分类任务上可以达到 BERT 级别的性能，但参数量仅为 BERT 的 1/300。在过去的十年中，深度神经网络从根本上变革了自然语言处理领域的发展，但移动端有限的内存和处理能力对模型提出了更高的要

自然语言处理是人工智能技术的一个分支，它使计算机能够像人们一样理解、处理和生成语言，并且在商业中的应用正在迅速增长。虽然自然语言处理这一术语最初指的是人工智能系统的阅读能力，但它后来成为所有计算语言学的一种通俗说法。当单击搜索结果时，搜索引索会将其视为对找

“自然语言处理”解决的是人机交流的问题，通俗来说包括两个部分，自然语言理解和自然语言生成。常用的自然语言处理的方法包括分词标注、文本分类、关键词分析、敏感用语识别、词频统计、观点归纳，情感分析等。究其实质，这些方法都是在文本挖掘中进行特征提取，从而推进对文

有了这个开源项目，再也不用担心找不到好用的中文 NLP 数据集，142 条数据集，总有适合你的那一款。而当我们满怀希望地把模型迁移到中文世界时，缺少公开的优质数据集简直就是天堑。我们需要在 GitHub 等平台上找收集中文 NLP 数据集的各种项目，再根据

[ 导读 ]本文作者一年前整理了这份关于 NLP 与知识图谱的参考资源，涵盖内容与形式也是非常丰富，接下来我们还会继续努力，分享更多更好的新资源给大家，也期待能与大家多多交流，一起成长。NLP参考资源自然语言处理是深度学习的主要应用领域之一。该网页下方还有

Stanford CoreNLP提供了一系列自然语言分析工具。它能够给出基本的词形，词性，不管是公司名还是人名等，格式化的日期，时间，量词，并且能够标记句子的结构，语法形式和字词依赖，指明那些名字指向同样的实体，指明情绪，提取发言中的开放关系等。很多自然语

本文是南非西北大学发表于 ACL 2018 的工作，提出了一个项目，将现有文本核心技术从不同体系结构中移植到基于Java的Web服务中。这些技术是在八年期间，通过多种政府资助项目，针对10种南非国家资源稀缺语言开发的。本文通过API和一个简单的Web前端，

背景 近期业务需要使用文本上下文语义特征，而将文本进行编码和表征是NLP最核心的技术之一，于是调研了表征文本的相关技术，总结如下, 以飨后人。在word2vec诞生之前，NLP中并没有一个统一的方法去表示一段文本。

机器不学习 www.jqbxx.com : 深度聚合机器学习、深度学习算法及技术实战译自Deep Learning for Natural Language Processing : Advancements & Trends. 起初，他们

自 BERT 打破 11 项 NLP 的记录后，可应用于广泛任务的 NLP 预训练模型就已经得到大量关注。最近微软推出了一个综合性模型，它在这 11 项 NLP 任务中超过了 BERT。目前名为「Microsoft D365 AI & MSR AI