【多模态大模型综述】 使用 gpt3.5 精细翻译，完美融合图片等内容 由微软7位华人研究员撰写，足足119页 它从目前已经完善的和还处于最前沿的两类多模态大模型研究方向出发，全面总结了五个具体研究主题： - 视觉理解 - 视觉生成 - 统一视觉模型 - LLM加持的多模态大模型 - 多模态 agent 本报告一共7位作者。 发起人和整体负责人为 Chunyuan Li。 他是微软雷德蒙德首席研究员，博士毕业于杜克大学，最近研究兴趣为 CV 和 NLP 中的大规模预训练。 他负责了开头介绍和结尾总结以及“利用 LLM 训练的多模态大模型”这章的撰写。 核心作者一共 4位： Zhe Gan Zhengyuan Yang Jianwei Yang Linjie Li 他们分别负责了剩下四个主题章节的撰写。

合工大自然语言处理实验报告和代码，孙晓老师的课

非常有用的一本教科书，主要讲了如何进行自然语言的处理。

综论、再论、详述自然语言处理

学习自然语言处理必备经典书籍，收了它吧。

最近跑代码在数据处理分词部分总是需要停用词表，一样一样找太麻烦了，干脆整个合集，方便后续使用。

分享一套Huggingface视频教程——《NLP实战-Huggingface神器》，视频+源码+课件下载！通俗讲解NLP领域当下各大主流模型，全部基于transformer架构展开分析与应用。全程基于huggingface神器进行实战，快速上手完成NLP领域各核心项目，内容全面覆盖各大实际应用场景，主要包括分类模型，生成模型，NER，关系抽取，文本大模型，摘要与对话等业务场景。 第1章 Huggingface与NLP介绍解读 第2章 Transformer工具包基本操作实例解读 第3章 Transformer核心架构 第4章 BERT系列算法解读 第5章 文本标注工具与NER实例 第6章 文本预训练模型构建实例 第7章 GPT系列算法 第8章 GPT训练与预测部署流程 第9章 文本摘要建模 第10章 图谱知识抽取实战 第11章 补充Huggingface数据集制作方法实例

用Python进行自然语言处理(中文)

猕猴桃种植知识图谱构建。针对猕猴桃种植领域数据多源异构的特点，采用自顶向下的方式构建猕猴桃种植知识图谱，首先设计猕猴桃种植知识图谱的本体概念模式，然后根据模式层的本体规范将抽取的三元组事实加入到数据层知识库中；针对知识图谱构建过程中知识抽取方法复杂、准确率低以及知识补全困难等问题，采用实 体关系联合抽取方法和基于TransR的知识补全方法，并构建了融合字词语义信息的猕猴桃种植实体识别模型，该模型以SoftLexicon为基础，通过MHA和Attention机制分 别调整词权重和词集重要度进一步提高命名实体识别精确率。实验结果表明，本文构 建的猕猴桃种植实体识别模型与SoftLexicon模型相比，F1值提高了1.58%，达到了91.91%，在ResumeNER公开数据集上F1值达到了96.17%；猕猴桃种植三元组抽取F1值为92.86%；基于TransR的知识补全方法Hit@3和Hit@10分别为90.40%和92.60%。

从别的老哥那里下载的，对书签进行了优化，看起来更舒服。本书对自然语言处理中的各种形式模型进行了系统的梳理，分别讨论了基于短语结构语法的形式模型、基于合一运算的形式模型、基于依存和配价的形式模型、基于格语法的形式模型、基于词汇主义的形式模型、语义自动处理的形式模型、语用自动处理的形式模型、隐马尔可夫模型、统计机器翻译的形式模型。