课程目标：
学习完本门课程，您将对自然语言处理技术有更深入的了解，彻底掌握中文命名实体识别技术。
适用人群：
自然语言处理从业者、深度学习爱好者
课程简介：
命名实体识别作为自然语言处理的基础技术之一，在自然语言处理上游各个任务（问答系统、机器翻译、对话系统等）重扮演者十分重要的角色，因此深入掌握命名实体识别技术，是作为自然语言处理从业者毕本技能，本课程理论与实践相结合，希望能给大家带来帮助。
课程要求：
（1）开发环境：Python3.6.5 Tensorflow1.13.1；（2）开发工具：Pycharm；
（3）学员基础：需要一定的Python基础，及深度学习基础；
（4）学院收货：掌握命名实体识别关键技术；
（5）学院资料：见课程资料；
（6）课程亮点：全程实战操作，徒手撸代码。
2022-03-30 21:57:45
515B
1
self complement of Sentence Similarity compute based on cilin, hownet, simhash, wordvector,vsm models，基于同义词词林，知网，指纹，字词向量，向量空间模型的句子相似度计算。
2022-03-29 17:13:03
7.51MB
1
从复杂场景下的机器阅读理解到复杂场景下的知识获取，从融合知识的预训练语言模型再到基于图神经网络的事实验证，前几期的自然语言处理专题主要关注于自然语言处理理论知识。最后一个专题将由来自清华大学计算机系的硕士生钟皓曦为大家介绍法律智能，即人工智能在法律工作中的应用。
2022-03-25 22:02:10
2.55MB
1
语义理解/口语理解，项目包含有词法分析：中文分词、词性标注、命名实体识别；口语理解：领域分类、槽填充、意图识别。
2022-03-22 16:05:31
3KB
1
本项目为基于CNN，RNN 和NLP中预训练模型构建的多个常见的文本分类模型
2022-03-22 16:04:58
290.11MB
1
回答下列问题： （１）如何能构建一个系统，以至从非结构化文本中提取结构化数据？ （２）有哪些稳健的方法识别一个文本描述的实体和关系？ （３）哪些语料库适合这项工作，如何使用它们来训练和评估模型？信息有很多种”形状“和”大小“，一个重要的形式是结构化数据：实体和关系的规范和可预测的组织。例如：我们可能对公司和地点之间的关系，可用关系数据库存储。但如果我们尝试从文本中获得相似的信息，事情就比较麻烦了。如何从一段文字中发现一个实体和关系的表呢？然后，利用强大的查询工具，如ＳＱＬ，这种从文本获取意义的方法被称为“信息提取”信息提取有许多应用，包括商业智能、简历收获、媒体分析、情感检测、专利检索及
2022-03-22 01:22:53
215KB
1