自然语言处理优秀博客汇总

最新推荐文章于 2024-11-03 17:50:26 发布
最新推荐文章于 2024-11-03 17:50:26 发布
阅读量149 收藏
点赞数
分类专栏： 自然语言处理 文章标签： 自然语言处理
原文链接：https://www.cnblogs.com/jiayibing2333/p/12078914.html
版权

注意力机制总结
Attention 的 N 种类型
Kaggle知识点：数据扩增方法
有哪些数据扩增方法？

数据扩增方法有很多：从颜色空间、尺度空间到样本空间，同时根据不同任务数据扩增都有相应的区别。

对于图像分类，数据扩增一般不会改变标签；对于物体检测，数据扩增会改变物体坐标位置；对于图像分割，数据扩增会像素标签。
对抗学习：从FGM, PGD到FreeLB
本文针对自然语言中的对抗学习，针对攻击的“一阶扰动”场景，总结了最近的工作进展，涉及到的知识包括：基本单步算法FGM，“一阶扰动”最强多步算法PGD，以及针对时耗等改进的FreeAT，YOPO和FreeLB，其中FreeLB成为了目前刷榜的SOA。
Task 4 学习召回率、准确率、ROC曲线、AUC、PR曲线
在这里插入图片描述

「已注销」
关注
专栏目录
自然语言处理在现实生活中运用
02-24
首先谈下这款软件的来源和用途吧，本科至今没有挂科记录，很不幸第一次《英语...此过程其实就是数据清洗过程）最后把所有单词集中汇总，再去除如：a/an/of/on/frist等停用词（中文文本处理也需要对停用词处理，诸如：
收藏！！「自然语言处理（NLP）」全球学术界知名学者教授信息大盘点（全）！
热门推荐
yinizhilianlove的博客
02-15 2万+
来源：AINLPer 微信公众号（点击了解一下吧） 编辑: ShuYini 校稿: ShuYini 时间: 2020-1-13 引言     人工智能发展迅速，近几年自然语言处理已经成为热门研究方向，根据这些会议和期刊上近10年发表论文的引用情况（根据Goolge Scholar）生成了高引学者列表。供大家参考学习。 1、Ryan T. Mcdonald【Google】 个人主页：https...
Natural 自然语言处理（NLP）「全解析」
人工智能学家
09-23 2082
原文来源： 机器人圈概要：在自然语言处理方面的研究已经延续了五十多年，而随着计算机的兴起，它的发展也早已超出了语言学的范畴。提起AI，你可能会不假思索的想到自然语言处理、人脸识别、无人驾驶等。那么，你对这些真的了解吗？接下来，我们就以自然语言处理为例，来仔细说一说。自然语言处理（Natural Language Processing），简称NLP，广义上定义为通过软件对诸如语音和文本这样的自然语言
自然语言处理学习
飞的博客
04-07 1211
文章目录Task1Anaconda安装Conda学习python编辑器安装与学习Tensorflow 库安装与学习Reference Task1 Anaconda安装 很久以前就安装了，而且Anaconda安装没有什么难点。随便搜一下就有很多文章讲述。贴一个别人的链接可以看一下。 https://blog.csdn.net/u012318074/article/details/77075209 C...
Python NLP入门教程
词语大杂烩
09-29 9593
什么是NLP？ 简单来说，自然语言处理(NLP)就是开发能够理解人类语言的应用程序或服务。 这里讨论一些自然语言处理(NLP)的实际应用例子，如语音识别、语音翻译、理解完整的句子、理解匹配词的同义词，以及生成语法正确完整句子和段落。 这并不是NLP能做的所有事情。 回到顶部 NLP实现 搜索引擎: 比如谷歌，Yahoo等。谷歌搜索引擎知道你是一个技术人员，所以它
自然语言处理-十一-信息检索.ppt
03-20
### 自然语言处理中的信息检索知识点详解 #### 一、信息检索概述 信息检索（Information Retrieval, IR）是指用户为了处理和解决问题而查找、识别、获取相关数据或文献的过程。这一过程涉及到信息的存储、组织、...
自然语言处理：pyltp安装教程与问题汇总
12-21
自然语言处理（NLP）是计算机科学领域的一个重要分支，主要涉及如何让计算机理解、解析、生成人类自然语言。PyLTP（哈工大语言技术平台的Python接口）是由哈尔滨工业大学自然语言处理研究组开发的一套强大的NLP工具...
m6A-BERT——基于 BERT 的模型可用于预测具有遗传信息的 MRNA 的功能
知来者逆的博客
10-30 977
本研究提出了基于 BERT 的****m6A-BERT-Deg模型，用于预测 mRNA 因 m6A 修饰而降解的情况。该模型的训练方法是**：将mRNA 序列标记为字符串，进行预训练以预测屏蔽标记，然后进行微调**，引入二元分类层以预测分解。该模型的性能高于其他未经预训练的先进模型和以往的模型。在真实细胞上进行的实验也证实了该模型的准确性。使用基于标记贡献的归因得分进行的进一步分析表明，m6A 修饰位点上游的得分较高，表明该区域对调节 mRNA 降解很重要。BERT 模型是能够通过考虑这些嵌入层。
【大语言模型】ACL2024论文-07 BitDistiller: 释放亚4比特大型语言模型的潜力通过自蒸馏
最新发布
11-03 858
本文介绍了BitDistiller，这是一个通过结合量化感知训练（QAT）和知识蒸馏（KD）来提升超低精度（亚4比特）大型语言模型（LLMs）性能的框架。BitDistiller首先采用定制的非对称量化和裁剪技术来尽可能保持量化权重的保真度，然后提出了一种新颖的基于置信度的Kullback-Leibler散度（CAKLD）目标，用于自蒸馏，以实现更快的收敛和更优的模型性能。实验评估表明，BitDistiller在3比特和2比特配置下，无论是在通用语言理解还是复杂推理基准测试中，都显著超越了现有方法。
一个免费开源自托管的机器翻译项目，支持API接口
yunmoon的博客
10-31 988
采用神经翻译技术，使用开源语言模型对文本进行翻译，无需依赖外部服务。该项目的主要编程语言是Python，并根据GNU Affero General Public License v3许可。
自适应对话式团队构建，提升语言模型代理的复杂任务解决能力
人工智能讲师分享前沿技术
10-30 1043
如何有效利用多个大模型（LLM）代理解决复杂任务一直是一个研究热点。由美国南加州大学、宾夕法尼亚州立大学、华盛顿大学、早稻田大学和谷歌DeepMind的研究人员联合提出了一种新的解决方案——自适应团队构建（Adaptive In-conversation Team Building），旨在通过动态管理和组建团队来提高问题解决的效率和准确性。Figure1展示了两种团队构建范式，即“静态构建”和“自适应构建”。
【大语言模型】ACL2024论文-06 探索思维链COT在多模态隐喻检测中的应用
11-02 1405
本文探讨了在广告和互联网迷因（meme）中常见的隐喻检测问题。由于互联网迷因的自由形式，导致缺乏高质量的文本数据。隐喻检测需要对文本和视觉元素进行深入解读，并需要大量的常识知识，这对语言模型构成了挑战。为了应对这些挑战，作者提出了一个紧凑的框架C4MMD，该框架利用思维链（Chain-of-Thought, CoT）方法进行多模态隐喻检测。具体来说，该方法设计了一个三步过程，灵感来自CoT，从多模态大型语言模型（MLLMs）中提取并整合知识到较小的模型中。
NLP segment-01-聊一聊分词 AI 的基础
11-01 592
这是 NLP 的基础步骤之一，尤其在中文处理里尤为关键，因为中文没有天然的空格分隔词语。分词在自然语言处理（NLP）的多个应用场景中起着重要的作用。为了便于大家学习，项目开源地址如下，欢迎 fork+star 鼓励一下老马~是指将一段文本按照一定规则分解为一个个单词或词组的过程。在自然语言处理（NLP）中，
论文 | Ignore Previous Prompt: Attack Techniques For Language Models
m0_49651195的博客
10-30 546
这篇论文探讨了针对大型语言模型（LLM）的“提示注入”攻击，并提出了一种名为 PROMPTINJECT 的框架来研究这类攻击。实验结果表明，目标劫持和提示泄露攻击都是可行的，并且攻击成功率受到多种因素的影响，例如攻击指令、分隔符、温度、恶意字符串、停止序列等。论文讨论了提示注入攻击的风险和影响，并提出了几种可能的解决方案，例如内容审核模型和双参数模型。这篇论文首次系统地研究了针对 LLM 的提示注入攻击，并提出了一个有效的评估框架。论文的结果表明，LLM 容易受到攻击，并且攻击的成功率受到多种因素的影响。
【深入浅出】深入浅出Bert（附面试题）
weixin_44006686的博客
10-31 532
本文的目的是为了帮助大家面试Bert，会结合我的面试经历以及看法去讲解Bert，并非完整的技术细致讲解，介意请移步。
深度学习笔记之BERT(一)BERT的基本认识
静静的学习就好
10-31 464
从本节开始，将介绍BERT系列模型以及其常见的变种形式，主要以逻辑认识为主；并将过去的关于Transformer的相关内容结合起来，形成通顺逻辑即可
PaddleNLP的FAQ问答机器人
11-03 650
在中，项目采用了hnswlib库构建高效的近似最近邻（ANN）索引，其主要创新点在于结合了高维语义向量的索引构建和快速查询优化。该文件提供了一个高维空间内的内积距离计算：使用了来构建基于内积的向量相似性度量，这对于基于深度学习生成的语义向量查询来说，更符合FAQ系统的需求。动态平衡查询速度与内存消耗：通过hnsw_ef和hnsw_m参数，控制了索引在构建过程中的查询速度与准确率之间的权衡，同时优化了模型的内存占用和效率。在data.py中，数据处理模块实现了一个较为创新的问答配对匹配方式。
生成式语言模型的文本生成评价指标(从传统的基于统计到现在的基于语义)
weixin_46034279的博客
11-03 455
BLEU优点：计算速度，适合评估机器翻译等文本生成任务的准确性。依赖于 n-gram 匹配，所以对短文本评价友好缺点：无法衡量语义，容易惩罚语义合理的表示；对自由度较高的生成任务表现不佳使用场景：机器翻译、文本摘要，尤其是目标文本相对固定的情形ROUGE优点：对文本摘要任务适用，尤其是 ROUGE-L 可识别长的匹配序列，适合评估摘要生成中较长的语义片段缺点：依赖表层匹配，缺乏对语义的深层次理解使用场景：在摘要生成任务中表现良好PPL。
AI 聊天机器人的兴起：GPT-3 和 BERT 如何重新定义对话体验
gongdiwudu的专栏
10-28 1203
在本文中，我们将探讨这些尖端语言模型如何彻底改变我们与 AI 驱动的聊天机器人的通信方式。我们将深入探讨 GPT-3 和 BERT 的主要特性和功能，并研究它们如何改变对话式 AI 的格局。
自然语言处理研究笔记汇总（2022年10月3日）
- 神经语言模型：使用深度学习模型来预测下一个词或处理自然语言任务。 4. 机器翻译（Machine Translation）： - 翻译模型：将一种语言的文本转换成另一种语言，如基于规则、统计或神经网络的方法。 5. 情感分析...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值