自然语言处理NLP综述

资源MIT发布的10大自然语言处理数据集和语料库

课程分享——自然语言处理NLP原理与实战视频课程，大家下载学习

近年来，图像文本建模研究已经成为自然语言处理领域一个重要的硏究方向。图像常被用于增强句子的语义理解与表示。然而也有硏究人员对图像信息用于句子语义理解的必要性提岀质疑，原因是文本本身就能够提供强有力的先验知识，帮助模型取得非常好的效果;甚至在不使用图像的条件下就能得出正确的答案。因此硏究图像文本建模需要首先回答一个问题：图像是否有助于句子语义的理解与表示？为此，本文选择一个典型的不包含图像的自然语言语义理解任务：自然语言推理，并将图像信息引人到该任务中用于验证图像信息的有效性。由于自然语言推理任务是一个单一的自然语言任务，在数据标注过程中没有考虑图像信息，因此选择该任务能够更客观地分析岀图像信息对句子语义理解与表示的影响。具体而言，本文提出一种通用的即插即用框架（generalplugandplayframework）用于图像信息的整合。基于该框架，本文选择目前最先进的五个自然语言推理模型，对比分析这些模型在使用图像信息前后的表现，以及使用不同图像处理模型与不同图像设置时的表现。最后，本文在一个大规模公开数据集上进行了大量实验，实验结果证实图像作为额外知识，确实有助于句子语义的理解与表示。此外，还证实了不同的图像处理模型和使用方法对整个模型的表现也会造成不同的影响。

给大家分享一套课程——自然语言处理NLP企业级项目课程合集课程（实体关系抽取+情感分析+新闻文本分类+火车票识别+命名实体识别），大家下载学习。

台湾大学中文情感极性词典（NTUSD），可以用于二元情感分类任务当中，用于处理文本挖掘等方向

本项目基于 weibo_senti_100k.csv 数据集，分别使用朴素贝叶斯、逻辑回归、LSTM、CNN、BERT等模型进行了实验，其中涉及的词向量表示方式包括one-hot、Bag of Words、TF-IDF、Word2Vec、Glove等。对于Word2Vec和Glove词向量的构建过程，本项目也提供了相关代码。项目中模型的训练运行脚本为train.sh，如bert_train.sh，模型的测试运行脚本为test.sh，如bert_test.sh。此外，本项目也会给出如何将训练好的BERT模型以服务的形式进行部署，以满足商业应用中的实时性需求。针对具体模型的使用，请读者查看*_README.md文件。希望通过本项目的学习，读者能够对情感分析中常用的模型技术有进一步的理解。

复旦《自然语言处理导论》Introduction-To-NLP.pdf

本文来自于51cto，文章详细介绍了自然语言处理的基本分类和基本概念深度学习中的NLP等相关知识。本文从两篇论文出发先简要介绍了自然语言处理的基本分类和基本概念，再向读者展示了深度学习中的NLP。这两篇论文都是很好的综述性入门论文，希望详细了解自然语言处理的读者可以进一步阅读这两篇论文。首先第一部分介绍了自然语言处理的基本概念，作者将NLP分为自然语言理解和自然语言生成，并解释了NLP过程的各个层级和应用，这一篇论文很适合读者系统的了解NLP的基本概念。第二描述的是基于深度学习的NLP，该论文首先描述了深度学习中的词表征，即从one-hot编码、词袋模型到词嵌入和word2vec等，我们首先需

包括词法分析、句法分析、语义分析、应用场景的介绍。同时还有配套的课后习题。作为自然语言处理学习的新手入门教材资料，很有帮助