qq_37977007的博客

简要介绍了关于中文文本中如何利用自然语言处理训练相应任务的基本步骤。

简单介绍文本生成中的解码方式

自然语言处理的相关知识的基本介绍

自然语言处理中的词云相关介绍

简单介绍相关检索领域的概念

本文主要简单的介绍关于Transformer模型部分的知识以及相关代码。

这一节主要介绍关于Transformer中huggingface下的tokenizer，首先简答的介绍tokenizer,然后介绍如何使用tokenzier以及tokenizer的基本原理，帮助大家更好的了解大预言模型的分词

简单介绍相关问答领域的概念

简单介绍相关循环神经网络的变体模型-LSTM和GRU

基于相关上下文和答案生成问题是一项具有挑战性的任务。最近的工作主要关注单个生成问题的质量。然而，问题生成实际上是一个一对多的问题，因为可以提出不同语境和不同表达方式的问题。本文从这两个方面探讨了问题生成的多样性并提出了方法。具体来说，将上下文焦点与内容选择器联系起来，内容选择器通过条件变分自动编码器(CVAE)技术由一个连续的潜在变量建模。在CVAE的实现中，采用了多模态优先分发，以允许更多样化的内容选择器。为了考虑不同的表达方式，对问题类型进行了显式建模，并进一步提出了一种多样性促进算法。

简单介绍了关于textrank的算法

简单介绍关于自然语言处理下的词嵌入向量技术word2vec技术。

主要以BERT模型介绍如何修改预训练语言模型的结构信息。

简答介绍关于语境化的向量表示方法，相关模型后续会继续补充。

简单使用TF-IDF提取关键词

Seq2Seq模型是一种深度学习模型，专门用于处理序列数据的转换和生成任务。该模型最初被设计用于机器翻译，但在自然语言处理和其他领域中得到了广泛应用。其基本结构包括编码器（Encoder）和解码器（Decoder），通过这两个组件，模型能够将输入序列映射到一个固定长度的表示，并从中生成目标序列。

简单介绍深度学习下的数据增强技术。

简单介绍相关RNN神经网络，使用基础代码完成RNN网络的构建。

简单介绍相关的词嵌入glove技术

简单介绍关于自然语言处理中的词向量技术发展及分类。

介绍关于自然语言处理下的关键词提取技术

基于word2vec的关键词提取

由于huggingface在网络中的介绍相对较少，近期有需要学习预训练模型相关的知识。因此本文基于最简单的Transformer中的工具Huggingface进行简答的介绍，并对需要配置的环境进行一一的梳理。