卯卯 | 炼就一手绝世刀法！
日出东海落西山，愁也一天，喜也一天。遇事不钻牛角尖，人也舒坦，心也舒坦！
2019-04-08 13:34:04
tensorflow的基础知识一篇就够了。（一）
一般神经网络最基本的流程，当然实际任务中还会有batchsize，准确率等等，下面是最简版的。
作者:yangli | 分类:Tensorflow | 浏览:995 | 评论:0
2019-04-06 14:44:14
文本语义聚类—word2vec+TF_IDF实现文本聚类。重点：文本意义的表达，可用于聚类或分类，模型的改善。
内容主要涉及：1，genism 的 word2vec 包的使用——model的训练和神经网络字向量、向量的准备。2， scikit-kearn 中的 K-means 算法和一些特征提取算法的使用。3，word2vec+TF_IDF通过文本 -词权重*词向量-的方式来表达文本语义，再进行文本聚类。——延伸：深度学习文本分类，文本语义的表达方式采用这种对模型进行修正。4，利用肘部法则，确定聚类数目。5，轮廓系数，检验效果。word2vec的使用：文本语义的表达：W*词向量：小知识点：Cou
作者:yangli | 分类:自然语言处理 | 浏览:2884 | 评论:0
2019-04-04 19:51:42
【python】numpy中字符串(str)、列表(list)、数组(array)之间的转换
参考链接：https://blog.csdn.net/qq_20135597/article/details/83215137
作者:yangli | 分类:未分类 | 浏览:899 | 评论:0
2019-04-01 16:24:33
NER-Lattice LSTM（这是一个序列标准问题，可以放到任何序列标准问题中使用）——目前中文命名实体识别最好的模型
原理：将成词的词向量也加入到字向量到中。LSTM结构如下：所有能够加入到特征的词语的词向量预先训练好的。如果某个词语不在预先训练好的词向量文件（如下图）中，我们是没有特征加入进去的。
作者:yangli | 分类:自然语言处理 | 浏览:1178 | 评论:0
2019-04-01 15:57:30
序列标准问题-NER从机器学习CRF++到膨胀卷积神经网络到BERT的NER.
CRF++的命名实体识别可以参考之前我写的blog。17年用的膨胀卷积神经网络，2018年bert (transfoemer ,attention机制)——+latticeLSTM(结构化的LSTM)目前NER最好的模型。
作者:yangli | 分类:自然语言处理 | 浏览:974 | 评论:0
2019-04-01 15:55:05
序列标准问题-分词，命名实体识别，词性标准，短语块的识别（名词模块，动词模块），意图识别
序列标准问题-分词，命名实体识别，词性标准，短语块的识别（名词模块，动词模块），意图识别都是序列标准问题。占了接近NLP任务的1/3.
作者:yangli | 分类:自然语言处理 | 浏览:950 | 评论:0
- 控制面板
- 网站分类
- 搜索
- 文章归档
-
- 2023年4月 (1)
- 2022年12月 (6)
- 2022年11月 (2)
- 2022年10月 (4)
- 2022年9月 (1)
- 2022年8月 (1)
- 2022年7月 (2)
- 2022年4月 (1)
- 2022年3月 (4)
- 2021年5月 (1)
- 2021年3月 (1)
- 2020年10月 (1)
- 2020年9月 (11)
- 2020年8月 (1)
- 2020年7月 (2)
- 2020年5月 (4)
- 2020年4月 (1)
- 2020年2月 (1)
- 2020年1月 (1)
- 2019年11月 (2)
- 2019年10月 (3)
- 2019年9月 (5)
- 2019年8月 (19)
- 2019年7月 (6)
- 2019年6月 (8)
- 2019年5月 (10)
- 2019年4月 (16)
- 2019年3月 (37)
- 2019年2月 (24)
- 2019年1月 (11)
- 2018年12月 (3)
- 2018年11月 (3)
- 2018年10月 (7)
- 2018年9月 (8)
- 2018年8月 (41)
- 2018年7月 (29)
- 2018年6月 (14)
- 2018年5月 (16)
