New-stu-training
跳到导航
跳到搜索
李正华TODO
我的PPT不好，有的要简化，例如GB编码没有具体说明：两个字节，第一个字节怎么样。 有的需要更详细、更丰满。
说明
- 所有俱乐部同学，包括刚进入实验室的研究生，都要做NLP基础编程练习，一方面提高编程能力，另一方面打好机器学习和自然语言处理的基础
- 我们精心设计了一系列的基础练习作业，从简单到复杂，逐步深入：题目（课程）主页
- 请直入主题，从题目出发，按照推荐的顺序，逐一做
- 遇到一个题目，去下面的课件或讲义中寻找相关内容，进行快速学习和理解
- 做基础练习的时候，要关注主要知识点，不要陷入细枝末节，否则的话，进度就太慢了。比如随机过程，这个本身是非常大的一个概念，千万不要钻进去学习，了解其基本概念、例子即可。
- 以正确完成编程题目为主要目标。我相信，等编程作业做完了，很多知识点就会有自己的理解了
- 做事情的三步：做出来、做对、做好
- 注意，千万不要直接看别人写好的代码，一定要努力自己去理解和消化。一定要有一个自己思考的过程，尽最大努力自己写代码，即使效率低，准确率差，也没关系。通过自己的思考，逐渐优化和提高。这个过程非常重要，很有意义。
- 另外，尽量不要在网上找各种参考资料。虽然我的讲义很精简，但是如果仔细看，认真思考，推导，一定能搞明白。这个过程也很重要，对自我提升很有帮助。
- 任何一个理论或方法，从不同角度都可以进行解释，看的角度多了，就没有自己的角度了。网上的各种资料，都是从不同角度来说同一个事，看多了就乱了。
- 如果有问题，可以找自己的mentor去讨论，如果mentor也不懂，那说明mentor也没理解，就可以发邮件给老师。
参考书目
- Dan Jurafsky. Speech and Language Processing中文翻译 (强烈推荐！)
- Neural networks and deep learning（李正华强烈推荐，看完前三章就差不多了）
- Andrew Ng的视频:吴恩达深度学习(带中文字幕)
- Chris Manning. 2005. 统计自然语言处理基础.
- 宗成庆. 2008. 统计自然语言处理.
- 李航. 2012. 统计学习方法.
- 神经网络与深度学习
...
神经网络公开课第十三章：面向自然语言处理的神经网络 （18新利体育 李正华）
数据（utf8编码）
CoNLL格式的含义
- 每个词占一行，每行的第2列为当前词语，第4列为当前词的词性，第7列为当前词的中心词的序号，第8列为当前词语与中心词的依存关系。句子与句子之间以空行间隔。
最大匹配分词数据
词性标注数据
| 训练 | 开发 |
|---|---|
| 803句 | 1910句 |
| 训练 | 开发 | 测试 |
|---|---|---|
| 16091句 | 803句 | 1910句 |
- 示例： 输入：严守一 把 手机 关 了 输出：严守一/NR 把/P手机/NN关/VV 了/SP
基础编程训练列表
分字
- 对应2022年春季信息检索课程作业1
- 下面的内容可以不看
给定文件，将文件中的句子按照字（字符）切分，字符中间用空格隔开。用C/C++实现。Python（3.0）可以直接用split处理UTF8编码的字符串，也试试，对比一下结果。
- 数据：几个不同编码的文件，可以用hexdump查看。也可以自己生成不同编码的文件。
最大匹配分词
- 对应2022年春季信息检索课程作业3
- 下面的内容可以不看
- 参考课件：最大匹配
有监督HMM词性标注
- 图片和视频：
- 参考课件：Collins教授课件、李正华的课件、理解HMM的Viterbi、HMM模型中极大似然估计的由来(公式推导)
基于线性模型（linear model）的词性标注
- 要点：判别模型、partial feature
- 参考课件：李正华老师课件
- 图片和视频：
基于最大熵（max-entropy，log-linear）模型的词性标注
基于全局线性模型（global linear model）的词性标注
- 参考课件：李正华老师课件
基于条件随机场（conditional random field，CRF）模型的词性标注
- 要点：全局概率、期望、Forward-backward结合、viterbi解码
- 参考课件：李正华老师课件
基于前馈神经网络（FFN）的词性标注
- 要点：必须自己实现前向计算loss，和backpropagation。
- 参考：neural networks and deeplearning神经网络入门书籍 基本阅读完前三章即可完成本任务. 吴恩达深度学习(带中文字幕)
基于FFN-CRF的词性标注
- 要点：仍然自己实现前向计算loss，和backpropagation。
- 提示：将神经网络输出看成发射矩阵，之后加上转移矩阵
基于BiLSTM的词性标注
- 要点：可以利用Pytorch自带的。Dropout等的使用，是关键。
基于BiLSTM-CRF的词性标注
github已有代码，不同同学的代码可以看不同的branch：
后续自主学习扩展
基于图的依存句法分析
直接用神经网络实现即可。Biaffine Parser框架。
重点：Eisner动态规划解码算法（看我的COLING-2014 tutorial）
进而可以扩展到TreeCRF，将Eisner算法扩展为inside算法。
具体看我们的ACL-2020文章：Yu Zhang et al.
基于转移的依存句法分析
了解一下转移系统
Seq2Seq (RNN) NMT with attention
了解一下语言生成
Transformer NMT
这里面的技术细节很多。
无监督学习
HMM-EM
VAE