NLP NER HMM CRF讲的较好的知乎

最新推荐文章于 2025-01-06 09:00:00 发布
转载 最新推荐文章于 2025-01-06 09:00:00 发布 · 371 阅读 · 1 ·
CC 4.0 BY-SA版权
原文链接：https://zhuanlan.zhihu.com/p/88544122

博客分享了两个信息技术领域的优质链接，一个是知乎上关于NLP、NER、HMM、CRF讲解较好的内容，另一个是专门讲CRF层的博客文章。
R语言深度学习：自然语言处理（NLP）基础
斌擎科技
05-08 1050
自然语言处理（NLP）是一种使用计算机来处理人类语言的技术。在过去的几十年中，NLP 技术已经得到了广泛的应用，如机器翻译、语音识别、情感分析等等。而深度学习是 NLP 中最热门的技术之一，它可以帮助我们从大量的语言数据中提取出有用的信息。本文将介绍如何使用 R 语言进行深度学习中的自然语言处理。我们将使用一些常见的 NLP 技术，如词向量、循环神经网络（RNN）和长短时记忆网络（LSTM），并使用 R 语言中的一些流行的 NLP 工具和库，如 tidytext、keras 和 tensorflow。
从零开始学自然语言处理-十万字长文带你深入学习自然语言处理全流程
wenyusuran的专栏
09-12 3666
前言 内容会涉及自然语言处理的各个方面知识内容和具体操作：包括但不仅限于词法分析，句法分析，语义分析，文本聚类，文本分类，情感分析，文本摘要生成，主题模型，词嵌入，文本语义相似度，自然语言推理，机器翻译，语言模型，信息抽取，关系预测，对话，指代消解等等。 针对中文的自然语言处理，我们需要先将段落和句子切分为词语，这是最基础的一步操作，分词属于词法分析的基础部分。 以下是我为大家准备的几个精品专栏，喜欢的小伙伴可自行订阅，你的支持就是我不断更新的动力哟！ MATLAB-30天带你从入门到精通 MAT
HMM ,MHMM,CRF 优缺点与区别
weixin_34129145的博客
02-15 3599
隐马尔科夫模型（HMM）： 图1. 隐马尔科夫模型 隐马尔科夫模型的缺点： 1、HMM只依赖于每一个状态和它对应的观察对象： 序列标注问题不仅和单个词相关，而且和观察序列的长度，单词的上下文，等等相关。 2、目标函数和预测目标函数不匹配： HMM学...
BERT中进行NER为什么没有使用CRF，我们使用DL进行序列标注问题的时候CRF是必备么？
weixin_36378508的博客
04-14 537
Q1: 为什么LSTM加上CRF后，序列标注效果会有稳定提升？ 序列标注中CRF存在的意义究竟是什么？其实从模型的损失函数可以很直接的看出添加CRF前后的差异。 单纯使用神经网络做序列标注时，使用的损失函数通常为对每一个时间步的交叉熵损失取平均， 此时模型对应的学习目标为 而加入CRF后，模型的学习目标变成了 其中， X 和 Y分别为训练集的输入文本序列和标签序列， theta 表示LSTM的模型结构和参数，也就是模型拟合能力的体现。Ytrans是从训练集所有标签序列统计得到的转移概率（尽管是训练过程
初识词性标注：条件随机场CRF是什么,CRF与HMM的区别
weixin_56336619的博客
04-11 686
对条件随机场CRF的理解来源于这篇知乎回答 基于HMM+维特比算法的词性标注解读，可以看我的这篇原创博文 首先理解条件随机场： 特征函数：用于给标注序列打分 定义一组特征函数（一个特征函数集合） 一个特征函数 接受传入的句子（标注序列），输出0或1，表示传入的标注序列是否符合这个特征 每个特征函数j有权重w[j] exp函数：exp(x) = e^x 第一层for循环：遍历特征函数集合 第二层for循环：对于第j个特征函数：句子中每个位置单词的特征值相加 指数化和标准化，得到标注序列的概率值 总结：
【转】统计模型之间的比较，HMM，最大熵模型，CRF条件随机场
weixin_34198583的博客
06-06 505
HMM模型将标注看作马尔可夫链，一阶马尔可夫链式针对相邻标注的关系进行建模，其中每个标记对应一个概率函数。HMM是一种生成模型，定义了联 合概率分布 ，其中x和y分别表示观察序列和相对应的标注序列的随机变量。为了能够定义这种联合概率分布，生成模型需要枚举出所有可能的观察序列，这在实际运算过程中很困难，因为我们需要将观察序列的元素看做是彼此孤立的个体即假设每个元素彼此独立，任何时刻的观察结果只依赖于...
知识图谱---实体抽取|命名实体识别|NER
DREAM_xs的博客
01-06 1168
命名实体识别（Named Entity Recognition, NER），也称作“实体识别”，是一种信息提取方法，其目的是识别文本中的命名实体，并将它们归类到预定义的类别中。例如，在句子“李华在2024年访问了北京。”中，“李华”是人名，“北京”是地名，“2024年”是时间表达式。实体是承载语义信息的基本单元，对于理解文本内容至关重要。常见的实体类别包括但不限于：人名、地名、机构名、时间、日期、货币、百分比等。BiLSTM+CRF是一种流行的序列标注模型，用于解决NER问题。
bio和bieos哪个标注模式好_2021秋招-NLP基础任务模型-NER
weixin_39712611的博客
12-19 2183
NLP基础任务模型-NER注: 基本全是转载，也都附加了转载链接，侵删。 多谢各位大佬的总结。目录:任务定义简单综述数据集细节总结模型细节总结损失函数计算总结NLP实战-中文命名实体识别条件随机场的理解及BI-LSTM+CRF实战超详综述 | 基于深度学习的命名实体识别目录1. 全文简介NER 任务的常用标注语料现成的 NER 工具三个角度介绍现有研究工作：分布式嵌入表示，文本编码，标签解码；其他...
中文命名实体识别NER
DongxueB的博客
03-28 2646
命名实体识别的主要模型原理理解
『深度应用』NLP命名实体识别(NER)开源实战教程
热门推荐
简明AI工作室
08-15 1万+
开源地址：https://github.com/xiaosongshine/NLP_NER_RNN_Keras 个人主页：http://www.yansongsong.cn/ 近几年来，基于神经网络的深度学习方法在计算机视觉、语音识别等领域取得了巨大成功，另外在自然语言处理领域也取得了不少进展。在NLP的关键性基础任务—命名实体识别（Named Entity Recognition，NER...
HMM与CRF笔记
pyxiea
03-08 1370
本文为HMM与CRF学习笔记，方便日后可回顾完此文即可在面试中回答诸如“简单介绍下CRF”，“HMM是如何训练的”等问题. 隐马尔可夫模型-HMM 模型定义 HMM的图结构如下： Y={y1,y2,...,yT}Y=\{y_1,y_2,...,y_T\}Y={y1​,y2​,...,yT​}是长度为TTT的状态序列，X={x1,x2,...,xT}X=\{x_1,x_2,...,x_T\}X={...
命名实体识别NER探索(4) 通过scikit-learn、pytorch实现HMM 及CRF模型
大模型与Agent智能体
09-17 3070
系列文章目录 命名实体识别NER探索（1） https://duanzhihua.blog.youkuaiyun.com/article/details/108338970 命名实体识别NER探索（2） https://duanzhihua.blog.youkuaiyun.com/article/details/108391645 命名实体识别NER探索(3)-Bi-LSTM+CRF模型 https://duanzhihua.blog.youkuaiyun.com/article/details/108392532 Vi
CRF介绍（转自知乎）
quaner2557的博客
10-16 3824
首先什么是随机场呢，一组随机变量，他们样本空间一样，那么就是随机场。当这些随机变量之间有依赖关系的时候，对我们来说才是有意义的。 　　　　那么为了简化某些问题来说，也为了这个图画出来能用，我们会在画图的时候要遵循一些假设和规则，比如马尔科夫独立性假设。按照这个假设和规则来画图，画出来的图会满足一系列方便的性质便于使用。 　　 　　马尔可夫独立性假设：对一个节点，在给定他所连接的所有节点的前提下
用隐马尔可夫模型(HMM)做命名实体识别——NER系列（二）
omnispace的博客
05-08 8785
上一篇文章里《用规则做命名实体识别——NER系列（一）》，介绍了最简单的做命名实体识别的方法–规则。这一篇，我们循序渐进，继续介绍下一个模型——隐马尔可夫模型。 隐马尔可夫模型，看上去，和序列标注问题是天然适配的，所以自然而然的，早期很多做命名实体识别和词性标注的算法，都采用了这个模型。 这篇文章我将基于码农场的这篇文章《层叠HMM-Viterbi角色标注模型下的机构名识别》，来做解读。但原文...
【NLP】命名实体识别NER——CRF方法详解
zkq_1986的博客
06-05 7148
命名实体标注 对于给定的长度为 m 的序列 X，假设标注的结果为 [ y1, … , ym ] ，yi=PER/LOC/ORG/O，则命名实体标注问题可以表示在已知序列 X 的条件下，找出使得 [ y1, … , ym ] 的概率 P ( y1, … , ym ) 最大的序列 [ Y1, … , Ym ] 。 这个问题适合用线性链条件随机场建立模型： 结合前面模型的一般形式，我们定...
【博士论文复现】【阻抗建模、验证扫频法】光伏并网逆变器扫频与稳定性分析(包含锁相环电流环)（Simulink仿真实现）
最新发布
11-25
【博士论文复现】【阻抗建模、验证扫频法】光伏并网逆变器扫频与稳定性分析(包含锁相环电流环)（Simulink仿真实现）内容概要：本文档是一份关于“光伏并网逆变器扫频与稳定性分析”的Simulink仿真实现资源，重点复现博士论文中的阻抗建模与扫频法验证过程，涵盖锁相环和电流环等关键控制环节。通过构建详细的逆变器模型，采用小信号扰动方法进行频域扫描，获取系统输出阻抗特性，并结合奈奎斯特稳定判据分析并网系统的稳定性，帮助深入理解光伏发电系统在弱电网条件下的动态行为与失稳机理。; 适合人群：具备电力电子、自动控制理论基础，熟悉Simulink仿真环境，从事新能源发电、微电网或电力系统稳定性研究的研究生、科研人员及工程技术人员。; 使用场景及目标：①掌握光伏并网逆变器的阻抗建模方法；②学习基于扫频法的系统稳定性分析流程；③复现高水平学术论文中的关键技术环节，支撑科研项目或学位论文工作；④为实际工程中并网逆变器的稳定性问题提供仿真分析手段。; 阅读建议：建议读者结合相关理论教材与原始论文，逐步运行并调试提供的Simulink模型，重点关注锁相环与电流控制器参数对系统阻抗特性的影响，通过改变电网强度等条件观察系统稳定性变化，深化对阻抗分析法的理解与应用能力。
STM32F103C8T6驱动ILI9341 2.8寸TFT LCD液晶显示资源文件
11-25
本资源文件包含了使用STM32F103C8T6微控制器驱动ILI9341 2.8寸TFT LCD液晶显示模块的相关代码和配置文件。该项目的硬件电路采用模块化设计，STM32微控制器为某宝购买的最小系统板，液晶模块为某宝购买的自带ILI9341驱动的板。由于STM32F103C8T6为48脚芯片，不具备FSMC（灵活静态存储控制器）功能，因此采用了模拟方式进行16位显示（使用A端口0~15）。 功能特点 硬件模块化设计：采用模块化硬件电路搭建，方便扩展和维护。 模拟16位显示：由于STM32F103C8T6不具备FSMC功能，采用模拟方式进行16位显示。 ILI9341驱动：液晶模块自带ILI9341驱动，简化了驱动程序的开发。 注意事项 触屏输入暂未实现：目前资源文件中暂未包含触屏输入的实现代码，如有需要，请自行开发或参考相关资料。 硬件兼容性：请确保所使用的STM32F103C8T6最小系统板和ILI9341液晶模块与本资源文件中的配置兼容。 使用说明 下载资源文件：下载并解压本资源文件。 导入工程：将解压后的工程文件导入到你的开发环境中（如Keil、IAR等）。 配置硬件：根据你的硬件配置，调整代码中的引脚定义和相关参数。 编译与下载：编译工程并下载到STM32F103C8T6微控制器中。 测试与调试：运行程序，测试液晶显示功能，并根据需要进行调试和优化。
SGLang核心技术详解[项目源码]
11-25
SGLang是一个高性能的LLM服务框架，通过多项先进技术显著提升推理性能。其核心技术包括：1. RadixAttention前缀缓存机制，利用基数树共享相同前缀的KV Cache，提高内存效率和计算复用；2. 跳跃式约束解码，通过小模型预测和大模型验证，实现2-3倍的生成速度提升；3. 连续批处理技术，动态管理请求批次，最大化硬件利用率；4. 分页注意力机制，解决内存碎片化问题；5. 张量并行策略优化计算效率；6. FlashInfer内核优化Attention计算；7. 分块预填充技术处理长序列；8. 多种量化技术（INT4/FP8/AWQ/GPTQ）降低内存需求。这些技术的综合应用使SGLang在推理延迟、吞吐量、内存使用和长序列支持等方面实现显著提升，为企业级大规模部署提供强大支持。
FPGA组合逻辑建模[项目源码]
11-25
本文详细介绍了FPGA中组合逻辑电路的三种建模方式：Verilog HDL门级建模、数据流建模和行为级建模。门级建模通过逻辑门实例化描述电路，包括多输入门、多输出门和三态门的使用方法。数据流建模使用assign语句对输出信号进行连续赋值，适用于wire类型信号。行为级建模则从外部行为角度描述电路功能，主要使用always语句结合条件语句、多路分支语句和循环语句实现。文章通过二选一数据选择器的实例展示了三种建模方式的具体实现，并比较了它们的优缺点。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值