金融知识图谱

最新推荐文章于 2024-06-04 16:41:37 发布

或许快要下雪了吧

最新推荐文章于 2024-06-04 16:41:37 发布

阅读量720

点赞数

分类专栏：机器学习金融大数据

本文链接：https://blog.csdn.net/qq_40647378/article/details/106485811

版权

本文介绍了金融知识图谱的相关概念，并探讨了自然语言处理（NLP）中的序列标注任务，如分词、词性标注和命名实体识别。接着提到了语言模型和词向量的原理，包括n-gram和神经网络模型。此外，还涉及了关系抽取的技术，如DeepDive，并分享了相关的资源链接，最后提到了在AWS上运行基于TensorFlow的中文命名实体识别。

摘要由CSDN通过智能技术生成

一、简介
NLP：
1.word level:序列标注任务（上图d）,分词、词性标注、命名实体识别都属于序列标注任务，所谓序列标注就是对一个序列的每个部分（可以是词，可以是字）进行分类，上图d就是一个实体识别任务（我们后续会详细讲到），实际上我感觉语音识别如果是在帧层面上进行音素分类的话，也可以作为一种序列标注任务。

       2.sentence level :我认为只要是在句子层面分类的任务都可以归结为该类，如文本分类，情感识别，关系抽取，语音情感识别等。在这里注意关系抽取是知识图谱中将文本数据进行结构化的一种方法，实际上它离不开实体和句子，最后的分类标签还是针对这三者而来的，所以我把它归结到sentence level任务中。

       3.sentence-sentence level：这一类问题是NLP中最最常见，也是研究最广泛的一类问题，即序列和序列之间的分类，这种分类根据分类形式的不同又可以细分。例如机器翻译，问答，对话都是sequence to sequence类型的问题，而对于阅读理解，smilarity等任务都是通过针对sentences pair进行分类，拿阅读理解上图c,就是通过模型“理解”完Question和Paragraph后，然后针对Paragraph，找出start和end的位置（即对这两个token做分类）得到的start和end中间一段就是答案。再比如ai challenger2018中的观点型阅读理解就是上图a中的例子，针对的是sentences pair建模，来分类。

    给我的感觉是，学NLP并不要太局限在一个方向里，很多任务所运用的到处理问题的框架都是