自然语言处理学习

雷锋网 AI 科技评论按：2019 年 12 月8 日-14 日，机器学习领域国际顶级会议 NeurIPS 2019于加拿大温哥华拉开帷幕。此次大会共吸引了全球1万余名专家学者共赴盛会。本年度，自然语言处理领域在深度学习浪潮下取得了显著成就，成为大会重要议题之一。百度举办了自然语言处理专题研讨会，百度技术委员会主席、自

公众号/将门创投From:BAIR 编译:T.R随着BERT等自然语言模型取得的突破性进展，人们逐渐认识到大模型可以在无标签数据上学习语言的强大表示。这些表示可以有效用于编码语义和句法。在自然语言处理成功的启发下，研究蛋白质的专家也在尝试着将自然语言处理的方法应用于蛋白质的结构预测中。那么目前自然语言处理的前沿方法能够

雷锋网 AI 科技评论编者按：过去几年，深度学习在自然语言处理中取得了很大的进展，但进展的幅度并不像其在计算机视觉中那么显著。其中一个重要的原因是数据规模问题。多任务学习是将多个任务一起学习，充分挖掘多个任务之间的相关性，来提高每个任务的模型准确率，从而可以减少每个任务对训练数据量的需求。 近日，在雷锋网

雷锋网按：本文为雷锋网 (公众号：雷锋网) 字幕组编译的技术博客，原标题 A、Word2Vec — a baby step in Deep Learning but a giant leap towards Natural Language Processing，作者为机器学习工程师 Suvro

【雷锋网(公众号：雷锋网) -AI慕课学院按】1月初，在被誉为“机器阅读理解界ImageNet”的斯坦福SQuAD（Stanford Question Answering Dataset）文本理解挑战赛上   ，微软亚洲研究院的R-NET模型率先取得了82.650的最高分率，在EM（ExactMatc

雷锋网AI科技评论按 ：随着强化学习在机器人和游戏 AI 等领域的成功，该方法也引起了越来越多的关注。在近期雷锋网 (公众号：雷锋网) GAIR大讲堂上，来自清华大学计算机系的博士生冯珺，为大家介绍了如何利用强化学习技术，更好地解决自然语言处理中的两个经典任务：关系抽取和文本分类。 本文根据视频

作者：Jason Brownlee在自然语言处理领域，深度学习的承诺是：给新模型带来更好的性能，这些新模型可能需要更多数据，但不再需要那么多的语言学专业知识。在自然语言处理领域，深度学习的承诺是：给新模型带来更好的性能，这些新模型可能需要更多数据，但不再需要那么多的语言学专业知识。关于深度学习方法有很多炒作和大话，但除

作者： 李亚洲本文从两篇论文出发先简要介绍了自然语言处理的基本分类和基本概念，再向读者展示了深度学习中的 NLP。这两篇论文都是很好的综述性入门论文，希望详细了解自然语言处理的读者可以进一步阅读这两篇论文。首先第一部分介绍了自然语言处理的基本概念，作者将 NLP 分为自然语言理解和自然语言生成，并解释

雷锋网(公众号：雷锋网) 按：随着 DARPA（美国国防高级研究计划局）的项目 L2M（终身学习机器）和欧盟联合项目 LLIS（智能系统的终身学习）出现，LML（终身机器学习）开始备受关注。研究者们意识到在一种数据集中运行一种机器算法的传统机器学习范例远远不能达到真正意义上的智能，它只适用于狭窄的领域。人类自身

作者：Sebastian Ruder简介本文是一系列关于如何使用神经网络进行自然语言处理（NLP）的最佳实践汇集，将随着新观点的出现定期进行更新，从而不断提升我们对用于 NLP 的深度学习的理解。NLP 社区中有这样一句说法：带有注意力的 LSTM 能在所有任务上实现当前最佳的表现。尽管在过去的两年这确实是真的，NLP