共指消解（coreference resolution）技术同NER、RE。作为自然语言历届基础技术被广泛的应用于：文本摘要、机器翻译、自动问答和知识图谱等领域。共指消解的提出是为了识别一段文本中指向同一实体的不同表述。在自然文本中，经常出现同一个实体的不同表述．例如，“【陈奕迅】，英文名【Eason Chan】， 1974年7月出生于香港．【他】是当今华语乐坛的当红歌手．”这句+话中，【陈奕迅】
转载
2023-08-31 18:17:12
137阅读
NLP From Scratch: 生成名称与字符级RNN这是我们关于“NLP From Scratch”的三个教程中的第二个。 在<cite>第一个教程< / intermediate / char_rnn_classification_tutorial ></cite> 中，我们使用了 RNN 将名称分类为来源语言。 这次，我们将转过来并使用语言生成名称。&
一 序 本文属于贪心NLP学习笔记系列。 leaning 学习逻辑：通过历史数据学习模型，通过模型来预测未来。二 学习的两种主流方式根据AI 发展的历程，可以分为两个branch 专家系统：基于规则 基于于概率的系统（Probabilistic）：给定数据D={X，y} 学习X到y的映射关系数据量大则优先使用基于概率的系统；若数据量小或没有
转载
2023-11-26 19:15:02
55阅读
作者 | Nesrine Sfar编译 | VK来源 | Towards Data Science如果你点开这篇文章，这意味着你有足够的
转载
2022-07-30 00:49:10
277阅读
词义消除歧义NLP项目实验本项目主要使用https://github.com/alvations/pywsd 中的pywsd库来实现词义消除歧义目前，该库一部分已经移植到了nltk中，为了获得更好的性能WSD，而不是使用的NLTK模块pywsd库。一般来说，从pywsd的simple_lesk()比NLTK的lesk好。当我有空时，我会尽量更新NLTK模块。在本文档中主要介绍原pyws
转载
2023-09-29 10:04:48
99阅读
命名实体消歧（Named Entity Disambiguation，NED）是自然语言处理（NLP）中的一个重要任务，其目标是识别文本中的命名实体，并确定它们在现实世界中的唯一对应实体。命名实体包括人名、地名、组织名、日期、时间、货币等。
NED模型是用于解决NED问题的算法或系统。这些模型通常利用深度学习技术，特别是序列到序列（seq2seq）模型、循环神经网络（RNN）、卷积神经网络（CNN
1. 简介实体链接（entity linking)是指将自然语言文本中出现的实体提及（entity mention)关联到对应知识图谱实体上去的任务。实体链接是很多自然语言处理任务的基础，例如知识图谱构建、信息／事件抽取、语意搜索和智能问答等。按照自然语言文本长度的不同，该任务可以进一步分为长文本实体链接和短文本实体链接两类：长文本实体链接任务的输入通常是一篇文档（例如一篇 Wikipedia文章
转载
2023-12-18 07:03:49
118阅读
写在前面最近刚开始调研实体消歧方面的相关工作，这里先开一个头吧。希望大家可
转载
2022-09-01 12:37:48
779阅读
自然语言处理总复习（五）—— 词义消歧一、相关概念与预备知识（一）词义消歧1. 定义2. 词义消歧需要解决的三个问题3. 应用（二）预备知识1. 有监督学习和无监督学习2. 伪词3. 算法效能评估 —— 上界和下界二、有监督的消歧方法（一）基于贝叶斯分类的词义消歧1. 概念介绍及准备工作2. 计算公式推导3. 词义排歧算法（Disambiguation）（二）基于互信息的词义消歧1. 核心思想2
【什么是对象图】 静态快照，这张照片描述了一系列对象的状态值和它们之间的链接。【对象图的组成】 对象图=对象+链 对象 对象就是真实世界中的一个物理上或概念上具有自己状态和行为的实体，并且对象可以是抽象的。 特性：标识（名字），行为（方法，属性），
# PaddleNLP 指代消歧
指代消歧（Coreference Resolution）是自然语言处理（NLP）中的一个重要任务，旨在识别和解决文本中的代词所指的具体内容。在实际应用中，指代消歧对于理解和处理文本中的关联性非常重要，尤其是在机器翻译、问答系统和文本生成等任务中。
PaddleNLP 是飞桨（PaddlePaddle）生态系统中的自然语言处理工具库，提供了丰富的预训练模型和工具
原创
2024-01-12 04:01:59
161阅读
1评论
词义消歧的定义，主要方法，衍化历程
原创
2021-07-11 18:21:58
244阅读
词义消歧的定义，主要方法，衍化历程
原创
2022-01-25 16:00:29
177阅读
该项目用双向长短时记忆神经网络和条件随机场(Bi-LSTM-CRF)的命名实体识别本项目是针对医疗数据，进行命名实体识别。项目中有600份标注好的电子病历文本，共需识别含解剖部位、独立症状、症状描述、手术和药物五类实体。该领域的命名实体识别问题是自然语言处理中经典的序列标注问题。data:已标注的医疗数据，O非实体部分,TREATMENT治疗方式, BODY身体部位, SIGN疾病症状, CHEC
文章目录前言一、什么是欧式距离二、测试代码三、测试结果总结 前言 语言千千万，谁是你的最爱？我推Mojo（咒语），因为Mojo可以让Python（蟒蛇）变成龙。本章就来比一比Mojo和Python谁更快。使用的Mojo版本是0.4.0。一、什么是欧式距离 图中两个点，一个蓝色，一个红色，他们之间的欧式距离为多少？答案非常简单。 很简单的吧。 上面的只是二维空间的计算方式，如果是三维，
# 深度学习相机消抖实现指南
在数字摄影中，相机抖动可能会导致图像模糊，尤其是在低光环境或使用长焦镜头时。为了克服这一问题，可以利用深度学习技术来实现相机消抖。下面，我们将分步骤介绍如何利用深度学习模型进行相机消抖，并提供相应的代码示例。
## 流程概览
| 步骤 | 描述 |
|-----------|--------
文章目录1 DNN与词向量1.1 DNN1.2 skip-gram1.3 简单句子分类模型DAN2 RNN+LSTM+GRU2.1 RNN2.2 LSTM2.3 LSTM变种2.4 递归神经网络2.5 双向RNN2.6 堆叠RNN 1 DNN与词向量1.1 DNN神经网络中每一个神经单元是一个线性变化加一个激活函数多层神经网络就是不断向前加。1.2 skip-gram通过中心词 预测周围词。 整
背景自然语言处理（英语：Natural Language Process，简称NLP）是计算机科学、信息工程以及人工智能的子领域，专注于人机语言交互，探讨如何处理和运用自然语言。自然语言处理的研究，最早可以说开始于图灵测试，经历了以规则为基础的研究方法，流行于现在基于统计学的模型和方法，从早期的传统机器学习方法，基于高维稀疏特征的训练方式，到现在主流的深度学习方法，使用基于神经网络的低维稠密向量特
转载
2023-12-20 00:04:29
32阅读
# 深度学习NLP实现流程
## 1. 数据准备
在开始实现深度学习NLP之前，我们需要准备好相应的数据集。这个数据集可以是文本数据，如语料库、新闻文章等。首先，我们需要对文本进行清洗和预处理，包括去除停用词，分词，转换成数字等。
## 2. 构建词向量模型
在深度学习NLP中，我们通常使用词向量（Word Embedding）来表示文本数据。使用词向量模型能够更好地捕捉单词之间的语义关系。有
原创
2023-08-02 10:06:21
100阅读
0. 前言接上一节NLP学习笔记（二）：创建特征及训练（关键词：词袋，TFIDF），我们在预处理完成后，使用简单的词袋模型(CountVectorizer, TfidfVectorizer)来创建了特征，并使用常用的机器学习算法随机森林（RandomForest）、逻辑回归（LogisticReggression）、朴素贝叶斯（NaiveBayes）进行训练，同时使用网格搜索（GridSearch
转载
2023-12-21 12:54:32
78阅读
