qfikh的博客

Ref：https://zhuanlan.zhihu.com/p/44042528 本文将原作者的内容摘抄过来，并做一些注释本文翻译自GitHub博客上的原创文章，结尾有原文链接。文章没有晦涩的数学公式，而是通过实例一步一步讲解CRF的实现过程，是入门CRF非常非常合适的资料。概述该文章系列包括以下内容：概念介绍 — 基于 BiLSTM-CRF模型中的命名实体识别任务中的CRF...

Ref：https://www.cnblogs.com/Determined22/p/7238342.html命名实体识别（Named Entity Recognition）命名实体识别（Named Entity Recognition, NER）是 NLP 里的一项很基础的任务，就是指从文本中识别出命名性指称项，为关系抽取等任务做铺垫。狭义上，是识别出人名、地名和组织机构名这三类命名...

Ref：http://xtf615.com/2018/11/27/ner/ 摘抄到自己的博客上方便修改，添加备注。 比较深澳，后面的就看不懂了，之后再整理吧。LSTM+CRF NER本文将借鉴论文《End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF》中的思路和方法实现命名实体识别。目标NER英文命名实体识别的...

原文链接：Understanding LSTM Networks1. 循环神经网络（RNNs)人们思考问题往往不是从零开始的。就好像你现在阅读这篇文章一样，你对每个词的理解都会依赖于你前面看到的一些词，而不是把你前面看的内容全部抛弃了，忘记了，再去理解这个单词。也就是说，人们的思维总是会有延续性的。传统的神经网络是做不到这样的延续性（它们没办法保留对前文的理解），这似乎成了它们一个巨...

Refhttps://jalammar.github.io/illustrated-transformer/，https://blog.csdn.net/han_xiaoyang/article/details/86560459编者按：前一段时间谷歌推出的BERT模型在11项NLP任务中夺得SOTA结果，引爆了整个NLP界。而BERT取得成功的一个关键因素是Transformer的...

Ref：(1).NLP的游戏规则从此改写？从word2vec, ELMo到BERT(2).从Word Embedding到Bert模型—自然语言处理中的预训练技术发展史1. 前言还记得不久之前的机器阅读理解领域，微软和阿里在SQuAD上分别以R-Net+和SLQA超过人类，百度在MS MARCO上凭借V-Net霸榜并在BLEU上超过人类。这些网络可以说一个比一个复杂，似乎“如何设计...

本文介绍wordvec的概念 语言模型训练的两种模型 CBOW + skip gram word2vec 优化的四种方法：层次softmax、高频词组当做单个词来处理、对高频单词采样、负例采样 gensim word2vec默认用的模型和方法机器学习的输入都是数字，而NLP都是文字； 为了让机器学习应用在NLP上，需要把文字转换为数字，把文字嵌入到数学空间。1. wordve...