YiqiangXu的博客

https://segmentfault.com/a/1190000000711128

基于情感词典的文本情感分类传统的基于情感词典的文本情感分类，是对人的记忆和判断思维的最简单的模拟，如上图。我们首先通过学习来记忆一些基本词汇，如否定词语有“不”，积极词语有“喜欢”、“爱”，消极词语有“讨厌”、“恨”等，从而在大脑中形成一个基本的语料库。然后，我们再对输入的句子进行最直接的拆分，看看我们所记忆的词汇表中是否存在相应的词语，然后根据这个词语的类别来判断情感，比如“我喜

中文抽象语义表示

An overview of gradient descent optimization algorithmTable of contents:Gradient descent variantsBatch gradient descentStochastic gradient descentMini-batch gradient descen

1. 如何轻松愉快地理解条件随机场（CRF）2. 条件随机场（Conditional random fields）3. 条件随机场（CRF）理论及应用4. CRF++词性标注5. CRF++中文分词6. 条件随机场(码农场)

[WILDML]implementing a GRU/LSTM RNN with python and theanoUnderstanding LSTM Networks

使用 Keras 实现简单的 Sequence to Sequence 模型Learning Phrase Representation using RNN Encode-Decoder for Statistical Machine Translation阅读笔记Sequence to Sequence Learning with Neural Networks阅读笔记

这两天在看attention模型，看了下知乎上的几个回答，很多人都推荐了一篇文章Neural Machine Translation by Jointly Learning to Align and Translate 我看了下，感觉非常的不错，里面还大概阐述了encoder-decoder(编码)模型的概念，以及传统的RNN实现。然后还阐述了自己的attention模型。我看了一下，自己做了一些

DEEP LEARNING FOR CHATBOTS, PART 1 – INTRODUCTION

自动文档摘要评价方法大致分为两类：（1）内部评价方法(Intrinsic Methods)：提供参考摘要，以参考摘要为基准评价系统摘要的质量。系统摘要与参考摘要越吻合， 质量越高。（2）外部评价方法(Extrinsic Methods)：不提供参考摘要，利用文档摘要代替原文档执行某个文档相关的应用。例如：文档检索、文档聚类、文档分类等， 能够提高应用性能的摘要被认为是质量好的摘要。

//求解观察序列概率的前向算法//A是N*N状态转移概率矩阵//B是N*M符号发射概率矩阵//pi是1*N是初始状态的概率分布//T是终态时间//O是1*T观察序列forword_HMM(A, B，pi, T, O) N = A.length graph[2][N]//记录表格，利用滚动数组节约存储空间 for t = 0 to (T - 1) for j = 0 to (N

//求解观察序列概率的前向算法//A是N*N状态转移概率矩阵//B是N*M符号发射概率矩阵//pi是1*N是初始状态的概率分布//T是终态时间//O是1*T观察序列forword_HMM(A, B，pj, T, O) N = A.length graph[2][N]//记录表格，利用滚动数组节约存储空间 for t = 0 to (T - 1) for j = 0 to (N

点击打开链接

word2vec前世今生：点击打开链接

1. 主要内容收集语料库和字典资源，根据用户标签自动标注数据，构建支持向量机（SVM）分类器，预测人们对中医药（Traditional Chinese Medicine ，TCM）的情绪，并提出调整分类器结果的方法，获得的F-measure的性能是97％。2. 数据收集和打标记(1) 对中医药感兴趣用户识别：微波用户可以自己设置兴趣标签，筛选出下表Table 1 的类似标签