“MSMARCO passage ranking task”阅读理解任务排名第一的BERT解决方案
2023-02-22 17:53:26
47KB
1
NL2Bash
利用自然语言处理将英语请求转换为有效的Bash命令。
该存储库由三个项目组成，其总体目标是提供一个实用程序，将自然语言的英语命令转换为Bash脚本语言的单行代码，包括可以自然拼凑的单行代码。 这三个项目是：
Tellina，这是一个基于Tensorflow的机器学习系统，它使用从专家以及从StackOverflow等站点收集的培训数据，将英语翻译为Bash命令。
NL2BashWebScraper，基于JSoup的工具，可以从Internet收集更多潜在的数据对。
TesterUI，基于django的工具，允许用户验证这些数据对。
Tellina项目和TesterUI在子模块中找到。 要克隆这些子模块，请使用：
$ git submodule init
$ git submodule update
请查阅每个项目的README.md，以获取每个项目的进一步构
2023-02-20 19:49:12
8.57MB
1
Bert作为目前自然语言处理领域最流行的技术之一，文本分类作为自然语言处理领域最常见的任务之一，Pytorch作为目前最流程的深度学习框架之一，三者结合在一起将会产生什么样的花火，本套课程基于Pytorch最新1.4版本来实现利用Bert实现中文文本分类任务，延续动手学系列课程风格，全程手敲代码，跟着杨博一行一行代码撸起来。
2023-02-19 11:18:18
461B
1
是进行英文语言处理的必备工具。可以对英文语料进行词性标注，还可识别出名词性短语、命名实体，其正确性高达95%以上，是自然语言处理专业学生的不可或少的工具。
2023-02-17 21:03:12
7.7MB
1
本文档详细分析了预训练语言模型领域的最新进展，可为自然语言处理的研究和学习人员提供参考。用于重现分析结果的代码可在github上获取。
2023-02-10 12:19:55
304KB
1
搭建LSTM网络的情感分类网络，加载预训练的word2vec语言模型参数，在IMDB训练数据集上进行模型训练，获得最优分类模型，并在IMDB测试数据集上进行测试，将训练和测试结果进行可视化展示。
2023-02-07 22:42:17
10KB
1
Kaggle_Disaster_Tweets
带有灾难性推文的自然语言处理：预测哪些推文与真实灾难有关，哪些不与真实灾难有关任务开始日期：2021.04.04 任务说明：使用火车数据中的信息，构建模型以预测某条推文是否与真实灾害有关
火车数据集说明：
列
描述
有效/缺失
遗失率
'ID '
每条推文的唯一标识符（推文编号）
7613/0
0％
'关键词'
推文中的特定关键字
7552/61
1％
'地点'
发推文的位置
5080/2533
33％
'文本'
推文的文字
7613/0
0％
'目标'
这条推文是否是一场真正的灾难（标签）
7613/0
0％
测试数据集说明：
列
描述
有效/缺失
遗失率
'ID '
每条推文的唯一标识符（推文编号）
7613/0
0％
'关键词'
推文中的特定关键字
3237/26
1％
'地点'
发
2023-02-04 19:10:35
2KB
1
Conll-2003 数据集：第一列是单词，第二列是词性，第三列是语法，第四列是实体标签。在NER任务中，只关心一和四列。
2023-01-31 16:37:08
729KB
1
适用于中文中长文本分类 原始数据集和已经划分的数据集已给出
划分的数据集经过数据预处理，删除了其中的重复文本，以及文本长度小于50的句子，最终构造的平衡语料 训练集 5800 测试集 1000条 验证集1000 （正负评论各站一半）
2023-01-15 11:06:10
3.33MB
1