自然语言处理(NLP)帮助智能机器更好地理解人类语言，实现基于语言的人机交流。计算能力的最新发展和大量语言数据的出现，增加了使用数据驱动方法自动进行语义分析的需求。由于深度学习方法在计算机视觉、自动语音识别，特别是NLP等领域的应用取得了显著的进步，数据驱动策略的应用已经非常普遍。本调查对得益于深度学习的NLP的不同方面和应用进行了分类和讨论。它涵盖了核心的NLP任务和应用，并描述了深度学习方法和模型如何推进这些领域。我们进一步分析和比较不同的方法和最先进的模型。

自然语言处理、 文本挖掘、 数据格式 TEXT 数据介绍 为了弥补国内在中文情感挖掘方面的语料的匮乏 谭松波 收集整理了一个较大规模的酒店评论语料。

Pubmed解析器：用于PubMed Open-Access XML子集和MEDLINE XML数据集的Python解析器 Pubmed Parser是一个Python库，用于解析， 存储库和 。 它使用lxml库将该信息解析为Python字典，该字典可轻松用于研究，例如在文本挖掘和自然语言处理管道中。 有关可用的API和有关数据集的详细信息，请参阅我们的或以获取更多详细信息。 下面，我们列出了一些核心功能和代码示例。 可用的解析器 path提供给函数可以是路径的压缩或解压缩的XML文件。 我们在文件夹中提供示例文件。 对于网站解析，您应该暂停一下。 请参阅因为如果您尝试批量下载，您的I

Attention is all you need 解读及详细代码，每个模块都有注释，代码详细易懂。哈佛出品，值得阅读。Transformer最基本的结构，也是BERT的基本结构，NLP和推荐都需要用到。

spacy-ner-注释器 安装 pip3 安装 spacy 使用步骤 打开index.html文件并打开其中的数据。 发布注释下载数据并使用convert_spacy_train_data.py转换为 spacy 格式 如果您愿意，将数据拆分为训练和测试并将其添加到train.py 最后在设置超参数后运行 train.py。 迭代损失记录在output_log.txt 。 准确率、召回率和 f1 分数记录在train_output.txt和test_output.txt 通过运行losses_plotter.py检查进度。 如果您希望通过模型进行训练，请下载模型并在train.py添加其名称 详细信息和积分 访问这个网址： https://manivannanmurugavel.github.io/annotating-tool/spacy-ner-annotator/

Stanza：斯坦福NLP自然语言处理Python工具包，NER有很大改进(支持中文) Stanza：适用于多种人类语言的 Python NLP 库 斯坦福 NLP 集团的官方 Python NLP 库。 它支持在 60 多种语言上运行各种准确的自然语言处理工具，并支持从 Python 访问 Java Stanford CoreNLP 软件。 有关详细信息，请访问我们的官方网站。 参考资料 如果您在研究中使用此库，请引用我们的 Stanza 系统描述论文：@inproceedings{qi2020stanza, title={Stanza: A {Python} Natural Language Processing Toolkit for Many Human Languages}，作者={Qi, Peng and Zhang, Yuhao and Zhang, Yuhui and Bolton, Jason and Manning, Christopher D.}, booktitle = "Proceedings of the Association for Computa

完整带书签，word版，全章节，五分不算多，赚点儿积分

用于机器阅读理解的藏语数据集

FakeNewsCorpus：从精选的数据源列表中抓取的数百万条新闻报道的数据集

将下载好的imdb.npz文件放在主目录下的 .keras/datasets文件夹下即可（用于tensorflow学习）