【自然语言处理】文本分类模型_BiLSTM+Attention_TensorFlow实现，是该博客https://blog.csdn.net/bqw18744018044/article/details/89334729的数据集，可能有点错误，请谨慎使用

基于知识的问答 基于知识库的中文问答系统。整体流程如下： 根据背景和问题寻找到最相关的K个知识， K Knowledge+Background+Question构成一个大问题。 正确选项分别与该问题中所有错误选项组合，构成3个答案组合，分别与大问题组合构成3个样例，采用余弦距离计算大问题与正确选项和错误选项的相似度。 正确选项相似度为t_sim，错误选项相似度为f_sim，损失函数为 loss = max(0, margin - t_sim + f_sim) 模型 寻找相关知识：LSI 训练：biLSTM 要求 python3，张量流 stop_words，中文 （a2u6） 资料格式 知识 地球是宇宙中的一颗行星，有自己的运动规律。 地球上的许多自然现象都与地球的运动密切相关。 地球具有适合生命演化和人类发展的条件，因此，它成为人类在宇宙中的唯一家园。 ... 培训与测

用BiLSTM预测单特征时序数据和多特征时序数据，并提供样例数据。可以将自己的数据根据样例数据的格式进行修改，则可直接运行

基于知识库的中文问答系统（biLSTM）

基于BiLSTM + Attention实现的简单的关系抽取模型，代码效果并不十分理想，代码上传目的是为大家提供基本的实现思路。

使用深度学习方法BiLSTM，并结合CRF模型的标签依赖性特点，解决命名实体识别的序列标注问题

该段Tensorflow代码可用于文本分类，和情感分类。其主要特点是，在同一份代码中，同时实现两张张量图，一张用于训练，另一张用于测试。并做交叉验证。