本文针对汉语问答技术展开深入研究 [1] 建立了一个具有一定规模并可扩充的汉语问答技术评测平台 [2] 提出了汉语问答系统的提问分类体系及基于多特征的提问分类算法 [3] 设计了基于多特征的汉语命名实体识别算法 [4] 提出了基于主题语言模型的汉语问答系统句子检索算法 [5] 提出了基于无监督学习的问答模式抽取技术

自然语言处理大体是从1950年代开始，虽然更早期也有作为。1950年，图灵发表论文“计算机器与智能”，提出现在所谓的“图灵测试”作为判断智能的条件。 1954年的乔治城实验涉及全部自动翻译超过60句俄文成为英文。研究人员声称三到五年之内即可解决机器翻译的问题。[1]不过实际进展远低于预期，1966年的ALPAC报告发现十年研究未达预期目标，机器翻译的研究经费遭到大幅削减。一直到1980年代末期，统计机器翻译系统发展出来，机器翻译的研究才得以更上一层楼。 1960年代发展特别成功的NLP系统包括SHRDLU——一个词汇设限、运作于受限如“积木世界”的一种自然语言系统，以及1964-1966年约瑟夫·维森鲍姆模拟“个人中心治疗”而设计的ELIZA——几乎未运用人类思想和感情的讯息，有时候却能呈现令人讶异地类似人之间的互动。“病人”提出的问题超出ELIZA 极小的知识范围之时，可能会得到空泛的回答。例如问题是“我的头痛”，回答是“为什么说你头痛？

中华英语 中文的深层上下文单词表示。 本仓库只是输出某些无关的单词嵌入。 依赖 python3 张量流> = 1.10 界坝 使用方法 准备数据，参考data和vocab目录，可用pre_data/vocab.py处理出字典（每个data文件不能太大，否则内存不足） 训练模型train_elmo.py 输出模型dump_weights.py 把options.json里的261改成262 输出单词嵌入到hdf5文件usage_token.py 实验结果 用可视化工具看合理， textmatch任务textmatch AUC 1-2。 执照 麻省理工学院

tomotopy：主题建模工具Tomoto的Python软件包

–背景介绍–法律文书处理的应用及技术现状–学术界研究热点–典型技术及应用挑战–总结近年来•ICAIL:InternationalConferenceonArti

高音数据集对性别分类的自然语言处理NLP 借助自然语言处理NLP，我可以从Tweeter数据集中识别性别分类 该文件包含： 加载数据集： 该数据集用于训练CrowdFlower AI性别预测器。 您可以在此处阅读有关该项目的所有信息。 要求参与者仅查看Twitter的个人资料并判断用户是男性，女性还是品牌（非个人）。 数据集包含20,000行，每个行都有一个用户名，一条随机鸣叫，帐户个人资料和图像，位置，甚至是链接和侧边栏颜色。 数据集来自这里： : 灵感 您可以尝试使用此数据集回答以下几个问题： 推文和个人资料中的单词如何预测用户的性别？ 用什么词可以强烈预测男性或女性性别？ 风格因素（例如链接颜色和侧边栏颜色）如何很好地预测用户的性别？ 数据 数据集包含以下字段： unitid：用户的唯一ID _golden：模型的黄金标准中是否包含用户； 对或错 unitsta

kaggle机器学习、深度学习竞赛，包含多模态、目标检测、视频监测和分类、图像分割、图像分类、图像检索、NLP 共21个方案

NLP（ICL）课程：幽默检测 由于数据预处理和训练例程的差异，原始笔记本被复制了两次。 1个 第一个笔记本approach1_pretrained_roberta.ipynb包含方法1的最终RoBERTa模型，以及针对不同功能和头部架构的测试。 使用以下链接 或笔记本顶部的徽章以在Google Colab中查看。 可在以下位置获得经过训练的模型（〜0.5 GB）： ://drive.google.com/file/d/1NSLn2pUc4TucEjXB4Se4w29YEqU2xH1i/view usp sharing 2个 第二个笔记本hyperparams_and_approach2.ipynb包括方法1的基本BERT植入以及超参数调整。 与此笔记本一起，还提供了关注方法2的BiLSTM。 使用以下链接 或笔记本顶部的徽章以在Google Colab中查看。 报告 项目报告已上

NLP-Yelp审查：第一个NLP项目

GloVe is an unsupervised learning algorithm for obtaining vector representations for words. Training is performed on aggregated global word-word co-occurrence statistics from a corpus, and the resulting representations showcase interesting linear substructures of the word vector space.