coder_oyang的博客

https://zhuanlan.zhihu.com/p/104182282

1. Deep Neural Networks for YouTube Recommendations 对应中文解读 重读Youtube深度学习推荐系统论文，字字珠玑，惊为神文 2. https://github.com/wzhe06/Reco-papers 推荐系统论文列表 ...

Chris Dyer Neural architectures for named entity recognition

勘误：第二幅图从根结点开始的第四层叶节点，从左往右的最后一个叶结点下的汉字应该为 刘德华

深度学习固然热络，但在垂直领域，我还是推崇规则匹配，垂直领域的正常问答中，不会超过10000条语句，那么规则其实能很好cover，准确率甚至能高达90%，累积了大数据，深度学习在这个时候就能很好提升模型精度，下面是对智能交互的总结。                                         智能交互总体框架 下面着重总结下自然语言理解（NLU）部分： 1. NLU分

Ubuntu下配置GPU深度学习环境-Ubuntu16以及Ubuntu14均有效

格灵深瞳面试--我和Yoshua Bengio有约

关于NLP的交流分享，下面简单梳理下自己的所得 1.一个10个词语的句子出现3个或以上的错别字那么这个句子基本没用 2.规则模型与生成式模型 在做对话系统或者问答系统的过程中，他们采用的是混合模型，包括Deep Learning以及检索系统，首先要说一说各种模型的优缺点，见下表： 表1. 两种对话模型的比较表 规则模型，就是按照某种规则去做字符串匹配。基于检索...

自然语言理解，口语理解简介

NLP好去处

整理出的 Xiaogang Wang 的报告，他的团队做了一些比较有意思的实验，说明了DeepID的网络模型神经元节点是中度稀释的，并且对人的识别度以及特性比较敏感，同时对遮挡具有鲁棒性

Facebook NLP 大牛Tomas Mikolov 的又一力作 Bag of Tricks for Efficient Text Classification ，号称提出了区别于Word2vec的一种简单而高效的文本分类和特征学习方法。原文链接自行Google之，下面是机器之心的翻译链接 Bag of Tricks for Efficient Text Classification 觉

转载

转载链接，其中介绍核函数相当经典

关于深度学习的一些总结