https://blog.csdn.net/guleileo/article/details/81140179

干货 | 陪伴我学习NLP、知识图谱的那些资源（教程+书籍+网站+工具+论文...可以说很全面了）...

csdn人工智能头条 2018-07-20 17:30:15  8744  已收藏 33

作者 | antkillerfarm

来源 | antkillerfarm的CSDN博客

【人工智能头条导读】作者一年前整理了这份关于 NLP 与知识图谱的参考资源，涵盖内容与形式也是非常丰富，接下来人工智能头条还会继续努力，分享更多更好的新资源给大家，也期待能与大家多多交流，一起成长。

NLP参考资源

自然语言处理（Natural Language Processing）是深度学习的主要应用领域之一。

▌教程

  • CS224d: Deep Learning for Natural Language Processing

    http://cs224d.stanford.edu/

  • CS224d课程的课件

    http://web.stanford.edu/class/cs224n/syllabus.html

  • CMU的NLP教程。该网页下方还有美国其他高校的NLP课程的链接。

    http://demo.clab.cs.cmu.edu/NLP/

  • 北京大学的NLP教程，特色：中文处理。缺点：传统方法居多，深度学习未涉及。

    http://ccl.pku.edu.cn/alcourse/nlp/

  • COMS W4705: Natural Language Processing

    http://www.cs.columbia.edu/~cs4705/

  • 初学者如何查阅自然语言处理（NLP）领域学术资料

    https://mp.weixin.qq.com/s/TSc4E8lKwgc-EvzP8OlJeg

  • 揭开知识库问答KB-QA的面纱（知识图谱方面的系列专栏）

    https://zhuanlan.zhihu.com/kb-qa

  • 《语音与语言处理》第三版，NLP和语音合成方面的专著

    http://web.stanford.edu/~jurafsky/slp3/ed3book.pdf

  • CIPS ATT 2017 文本分析和自然语言课程PPT

    https://mp.weixin.qq.com/s/5KhTWdOk-b84DXmoVr68-A

  • CMU NN for NLP

    http://phontron.com/class/nn4nlp2017/assets/slides/

  • CMU Machine Translation and Sequence to Sequence Models

    http://phontron.com/class/mtandseq2seq2017/

  • Oxford Deep NLP 2017 course

    https://github.com/oxford-cs-deepnlp-2017/lectures

▌书籍

  • 《Natural Language Processing with Python》，Steven Bird、Ewan Klein、Edward Loper著。这本书的作者们创建了著名的NLTK工具库。

    http://ccl.pku.edu.cn/alcourse/nlp/LectureNotes/Natural%20Language%20Processing%20with%20Python.pdf

注：Steven Bird，爱丁堡大学博士，墨尔本大学副教授。 
http://www.stevenbird.net/about.html

Ewan Klein，苏格兰人，哥伦比亚大学博士（1978年），爱丁堡大学教授。

Edward Loper，宾夕法尼亚大学博士。

  • 推荐5本经典自然语言处理书籍

    https://mp.weixin.qq.com/s/0HmsMytif3INqAX1Si5ukA

▌网站

  • 一个自然语言处理爱好者的群体博客。包括52nlp、rickjin、liwei等国内外华人大牛.

    http://www.52nlp.cn/

  • 实战课程：自己动手做聊天机器人

    http://www.shareditor.com/bloglistbytag/?tagname=%E8%87%AA%E5%B7%B1%E5%8A%A8%E6%89%8B%E5%81%9A%E8%81%8A%E5%A4%A9%E6%9C%BA%E5%99%A8%E4%BA%BA

  • 北京大学计算机科学技术研究所语言计算与互联网挖掘研究

    http://www.icst.pku.edu.cn/lcwm/

  • NLP深度学习方面的代码库

    https://github.com/rockingdingo/deepnlp

  • NLP专家李维的blog

    https://liweinlp.com/

  • 一个NLP方面的blog

    http://www.shuang0420.com/

  • 一个DL+ML+NLP的blog

    http://www.cnblogs.com/Determined22/

  • 一个NLP方面的blog

    http://www.cnblogs.com/robert-dlut/

  • 一个NLP方面的blog

    https://blog.csdn.net/wangxinginnlp

▌工具

参考：

http://www.cnblogs.com/baiboy/p/nltk3.html

pip install --upgrade gensim

GitHub 地址：

https://github.com/RaRe-Technologies/gensim

参考学习：

情感分析的新方法——基于Word2Vec/Doc2Vec/Python

http://www.open-open.com/lib/view/open1444351655682.html

Gensim Word2vec使用教程

http://blog.csdn.net/Star_Bob/article/details/47808499

代码：

https://github.com/tensorflow/models/tree/master/textsum

参考：

http://www.jiqizhixin.com/article/1449

谷歌开源新的TensorFlow文本自动摘要代码：TensorFlow文本摘要生成 - 基于注意力的序列到序列模型

http://blog.csdn.net/tensorflowshizhan/article/details/69230070

参考：

这个网页对于NLP的大多数功能进行了可视化的展示。NLP入门必看。

http://ictclas.nlpir.org/nlpir/

作者blog：

http://www.hankcs.com/

Github：

https://github.com/hankcs/HanLP/

从作者的名气来说，HanLP无疑是最低的，性能也不见得有多好。然而对于初学者来说，这却是最适合的工具。这主要体现在以下几个方面：

1.中文处理能力。NLTK和OpenNLP对中文支持非常差，这里不光是中文分词的问题，有些NLP算法需要一定的语言模型数据，但浏览NLTK官方的模型库，基本找不到中文模型数据。

2.jieba、IK之类的功能太单一，多数局限在中文分词方面领域。gensim、THUCTC专注于NLP的某一方面，也不是通用工具。

3.NLPIR和Stanford CoreNLP算是功能最强的工具包了。前者的问题在于收费不开源，后者的问题在于缺少中文文档。FudanNLP的相关文档较少，文档友好度不如HanLP。

4.HanLP在主页上提供了相关算法的blog，便于初学者快速掌握相关概念。其词典是明文发布，便于用户修改。HanLP执行时，会将明文词典以特定结构缓存，以提高执行效率。

注：不要以为中文有分词问题，就比别的语言复杂，英文还有词根问题呢。。。每种语言都不简单。

Allen AI实验室由微软联合创始人Paul G. Allen投资创立。

http://allenai.org/

  • 其他

python版的汉字转拼音软件

https://github.com/mozillazg/python-pinyin

Java分布式中文分词组件-word分词

https://github.com/ysc/word

jena是一个语义网络、知识图谱相关的软件。

http://jena.apache.org/

Github：

https://github.com/NLPchina

  • 词性标注

    ICTPOS3.0汉语词性标记集

    http://jacoxu.com/ictpos3-0%E6%B1%89%E8%AF%AD%E8%AF%8D%E6%80%A7%E6%A0%87%E8%AE%B0%E9%9B%86/

  • Word Hashing

    Word Hashing是非常重要的一个trick，以英文单词来说，比如good，他可以写成#good#，然后按tri-grams来进行分解为#go goo ood od#，再将这个tri-grams灌入到bag-of-word中，这种方式可以非常有效的解决vocabulary太大的问题(因为在真实的web search中vocabulary就是异常的大)，另外也不会出现oov问题，因此英文单词才26个，3个字母的组合都是有限的，很容易枚举光。

那么问题就来了，这样两个不同的单词会不会产出相同的tri-grams，paper里面做了统计，说了这个冲突的概率非常的低，500K个word可以降到30k维，冲突的概率为0.0044%。

但是在中文场景下，这个Word Hashing估计没有这么有效了。

词汇共现是指词汇在文档集中共同出现。以一个词为中心，可以找到一组经常与之搭配出现的词，作为它的共现词汇集。

词汇共现的其中一种用例：

有若干关键词，比如：水果、天气、风，有若干描述词，比如，很甜、晴朗、很大，然后现在要找出他们之间的搭配，在这个例子里，我们最终要找到：水果很甜、天气晴朗、风很大

知识图谱参考资源

  • 知识图谱构建技术综述

    https://wenku.baidu.com/view/38ad3ef7e109581b6bd97f19227916888586b959.html

  • 知识图谱技术综述

    https://wenku.baidu.com/view/e69a3619fe00bed5b9f3f90f76c66137ee064f15.html

  • 知识图谱技术原理介绍

    https://wenku.baidu.com/view/b3858227c5da50e2534d7f08.html

  • 基于知识图谱的问答系统关键技术研究

    https://mp.weixin.qq.com/s/JLYegFP7kEg6n34crgP09g

  • 什么是知识图谱？

    https://mp.weixin.qq.com/s/XgKvh63wgEe-CR9bchp03Q

  • 当知识图谱遇上聊天机器人

    https://mp.weixin.qq.com/s/iqFXvhvYfOejaeNAhXxJEg

  • 知识图谱前沿技术课程实录

    https://mp.weixin.qq.com/s/U-dlYhnaR8OQw2UKYKUWKQ

  • 阿里知识图谱首次曝光：每天千万级拦截量，亿级别全量智能审核

    https://mp.weixin.qq.com/s/MZE_SXsNg6Yt4dz2fmB1sA

  • 东南大学漆桂林：知识图谱的应用

    https://mp.weixin.qq.com/s/WIro7pk7kboMvdwpZOSdQA

  • 东南大学高桓：知识图谱表示学习

    https://mp.weixin.qq.com/s/z1hhG4GaBQXPHHt9UGZPnA

  • 复旦肖仰华：基于知识图谱的问答系统

    https://mp.weixin.qq.com/s/JZYH_m1eS93KRjkWA82GoA

  • 多源信息表示学习在知识图谱中的应用

    https://mp.weixin.qq.com/s/cEmtOAtfP2gSBlaPfGXb3w

  • 如何构建知识图谱

    https://mp.weixin.qq.com/s/cL1aKdu8ig8-ocOPirXk2w

  • 中文通用百科知识图谱（CN-DBpedia）

    https://mp.weixin.qq.com/s/Nh7XJOLNBDdpibopVG4MrQ

原文链接：

https://blog.csdn.net/antkillerfarm/article/details/78082564

转载 干货 | 陪伴我学习NLP、知识图谱的那些资源（教程+书籍+网站+工具+论文...可以说很全面了）相关推荐

  1. 【知识图谱】知识图谱数据构建的“硬骨头”，阿里工程师如何拿下？深度学习在知识图谱构建中的应用。

    阿里妹导读:搜索"西红柿",你不但能知道它的营养功效.热量,还能顺带学会煲个牛腩.炒个鸡蛋!搜索引擎何时变成"暖男"了?原来背后有"知识图谱" ...

  2. NLP, 知识图谱参考资源

    NLP 自然语言处理(Natural Language Processing)是深度学习的主要应用领域之一. 教程 http://cs224d.stanford.edu/ CS224d: Deep L ...

  3. 深度学习在知识图谱的应用

    探索下深度学习在知识图谱中的应用实践,感兴趣的同学可以看看,研究下 一.大规模知识图谱的构建 知识图谱自上世纪60年代从语义网络发展起来以后,分别经历了1980年代的专家系统.1990年代的贝叶斯网络 ...

  4. 老刘说NLP：这几年的NLP历程回顾，以及关于NLP(知识图谱等)落地的思考

    得语言者,得天下.得语言资源者,分天下.得语言逻辑者,争天下. 前言 只有把自己所思考的,所认识的东西,以文字的方式记录下来,才是对自己成长最好的记录方式. 是的,距离上一次动手写博客或者技术文章已经 ...

  5. 论文浅尝-综述 | 基于强化学习的知识图谱综述

    转载公众号 | 人工智能前沿讲习 论文来源:https://crad.ict.ac.cn/CN/10.7544/issn1000-1239.20211264 摘要:知识图谱是一种用图结构建模事物及事物 ...

  6. 基于深度学习的知识图谱构建（简要综述）

    1  简介 信息技术的发展不断推动着互联网技术的变革,Web技术作为互联网时的标志性技术,正处于这场技术变的核心.从网页的链接到数据的链接,Web技术正在逐步朝向Web之父Berners-Lee设想中 ...

  7. 基于深度学习的知识图谱综述

    基于深度学习的知识图谱综述 摘要:随着现如今计算机设备的更新,计算能力的不断提高促使深度学习再一度推上热门技术,深度学习已经广泛应用于图像处理.文本挖掘.自然语言处理等方面,在医学.交通.教育.旅游等 ...

  8. 知识图谱·概念与技术--第1章学习笔记--知识图谱概述--知识图谱的概念，与传统语义网络的区别

    知识图谱·概念与技术--第1章学习笔记--知识图谱概述--知识图谱的概念,与传统语义网络的区别 知识图谱的概念,与传统语义网络的区别 狭义概念 作为语义网络的内涵 与传统语义网络的区别 优点 缺点 与 ...

  9. 知识图谱从入门到应用——知识图谱推理：基于表示学习的知识图谱推理-[嵌入学习]

    分类目录:<知识图谱从入门到应用>总目录 前面多次提到过,基于符号逻辑的演绎推理的主要缺点是对知识表示的逻辑结构要求比较高,不论是本体推理还是规则推理,都要求人工定义公理和规则才能完成推理 ...

最新文章

  1. 机器视觉应用软件开发步骤及流程
  2. TIDB,面向未来的数据库到底是什么？
  3. 【机器学习】通俗的元胞自动机算法解析和应用
  4. 上车时机已到--.NETCore是适应时代发展的雄鹰利剑
  5. 删除Windows Service
  6. nodejs+mongodb+vue前后台配置ueditor
  7. 第八届“图灵杯”NEUQ-ACM程序设计竞赛个人赛——F题 成绩查询ing
  8. java线程 锁_Java多线程(二) 多线程的锁机制
  9. [Vue Router warn]: Component “default“ in record with path “/xx“ is a function that does not return
  10. STM32CubeMX 配置STM32F407 实现HAL库延时微妙方案
  11. c语言erp系统开发,erp系统怎么开发工具
  12. SlideShare:大话SSD (淘宝核心系统数据库组 褚霸)
  13. 公众号推送长图最佳尺寸_微信公众平台图片尺寸是多少
  14. mysql profiling sending data_Mysql一次Sending data占用大量时间的深入分析优化案例
  15. 示波器学习（一）：示波器的作用、类型和基本结构
  16. 计算机开机没有显示是什么原因是什么情况,电脑开机后显示器没有反应解决方法...
  17. 远程监控tomcat运行
  18. flask----继承和bock
  19. ae运动模糊怎么调整_ae运动模糊怎么用?为什么我打开开关后没什么效果，看不出来。有没有什么视屏可以看看？...
  20. 金蟾论金：4.12黄金涨势不足重启跌势-晚间走势操作建议

热门文章

  1. centos7 php配置,CentOS7 下nginx与PHP的安装与配置
  2. mysql中文乱码解决方案_关于MySQL中文乱码的完美解决方案
  3. android 魅族扫码,魅族Flyme8扫码快传太实用，轻松实现文件高速传输
  4. pearson相关系数_三个相关系数的注意事项
  5. python ix loc iloc_pandas中的iloc、loc、ix有什么区别？
  6. mysql 学习 博客_mysql学习
  7. python制作神经网络_python_deeplearning02_使用python制作神经网络
  8. Java为什么会有默认的背景色_java – 为什么我的背景颜色不会在JFrame中...
  9. java类加载 复制_Java 类加载全过程
  10. PTA 基础编程题目集 7-33 有理数加法 C语言