CSAIWQYB

PyTorch的成功与特色

上篇(NLP研究之命名实体识别(上))介绍了命名实体识别的基本概念、应用、以及其挑战性所在，本期接着来探讨

命名实体识别(Named Entity Recognition，NER)，是NLP领域的一项基础任务，与分词、词性标注都属于词法分析的范畴，作为NLP的上游任务，其结果直接影响下游任务的效果。NER具有广泛的应用，是机器翻译、知识图谱、智能对话系统、句法分析任务、信息抽取等任务的基础。 什么是“命名实体”？简单可以理解为具有特殊意义的名词，常见的如人名、地名、组织机构名、日期、时间、货币等一些指代性比较强的，区别于生活中的普通名词比如计算机、互联网、宇宙、天气等具有普适意义...

从事了两年多的NLP研究工作，平时忙于工作，难以静下心来写技术博客。由于疫情的原因，总算有太多的空闲时间来自由安排自己的学习生活，对落下的东西做点补偿吧。随着学习和工作的积累，打算从NLP的基础工作开始，包括分词、词性标注、命名实体识别、句法分析等，这些技术是NLP上层应用的基础，在工作中，发现很多从业人员缺少对这些工作的重视，尽管深度学习很火，如果对底层技术认识不够，很难做到对上...

分词作为NLP的一项基本任务，其算法和原理的相关研究，在之前的文章(https://blog.youkuaiyun.com/weixin_44526949/article/details/98063167)中已经做了基本介绍。目前，分词技术也非常的成熟，而且研究人员也开发了很多软件包，这些软件包在项目中的使用效果也非常的好。本期对于分词，进行一次实战练习，来加强对分词算法的理解，主要是一些软件...

分词作为自然语言处理中的一项基本内容，是很多任务的基础，任何一门自然语言，分词难度参差不齐。比如中文分词与英文分词就存在很大的差别。在英文中，使用空格来进行分词，可以完成大部分的英文文本的分词任务；然而，对于中文而言，分词是一项极具挑战性的任务，没有特定的符号来标识某个词的开始或者结尾，而分词结果的好坏，对于语义理解的正确性有重要影响，比如下面这句话的分词结果：南京市长江大桥=...

词性标注作为NLP领域的一项基本任务，其与分词任务同等重要，是很多任务的基础，比如句法分析，命名实体识别等。命名实体识别在一定程度上也属于标注任务，不过，难度相比一般的词性标注而言，上升了不少。对于词性标注而言，不论是中文还是英文，其难点在于对于不同的语境，词性的多变化；另一方面，随着社会的发展，很多词都会潜移默化的产生额外的词性。相信这些现象，大家都有所感触，也经常遇到这些情况，...

最近，在学习AI领域中，非常前沿的一项技术——知识图谱。知识图谱和自然语言处理有着紧密的联系，都属于比较顶级的AI技术。在AI金字塔中处于认知层面。目前，人工智能在学习数据的内在表示，或者根据算法训练得到的模型来进行结果的预测和判别方面表现出了强大的能力，尤其是在感知层面上，比如目前的计算机视觉领域，对于很多人肉眼无法判别的事物，而模型却能作出高精度的识别，并且也有了非常多的工业级的...

1. 通俗易懂解释知识图谱（Knowledge Graph） </h1> <div class="clear"></div> <div class="postBody">完整机器学习实现代码GitHub欢迎转载，转载请注明出...